لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش استخراج کاربردی اطلاعات با پایتون
- آخرین آپدیت
دانلود Applied Information Extraction in Python
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در دوره «استخراج کاربردی اطلاعات با پایتون»، شما خواهید آموخت که چگونه اطلاعات مفید را از دادههای متنی آزاد (Free-text) استخراج کنید؛ دادههایی که هنگام تایپ توسط کاربران ایجاد میشوند. نمونههایی از این دادهها شامل نام افراد یا سازمانها، اطلاعات مکانی مانند شهرها و کدهای پستی، یا موارد دیگر مانند قیمت سهام و تشخیصهای پزشکی است. دادههای متنی آزاد در همه جا، از مقالات مجلات گرفته تا پستهای شبکههای اجتماعی یافت میشوند و تحلیل آنها میتواند پیچیده باشد.
در این دوره، شما از تکنیکهای کاربردی یادگیری ماشین و متنکاوی برای تحلیل دادههای متنی استفاده خواهید کرد. شما یاد میگیرید که چگونه موجودات نامدار (Named Entities) را شناسایی کرده و آنها را با دستهبندیهای مناسب برچسبگذاری کنید و این کار را با استفاده از دادههای واقعی در حوزههای کسبوکار، سیاست و بهداشت و درمان انجام خواهید داد. شما رویکردهای متعددی را برای شناسایی و استخراج موجودات نامدار و ویژگیهای مورد نظر، از عبارتهای منظم (Regular Expressions) گرفته تا مدلهای شبکه عصبی، توسعه خواهید داد. در نهایت، مدلهای ترنسفورمر مانند ChatGPT و مدلهای زبانی بزرگ (LLM) را برای استخراج اطلاعات از مجموعهدادههای عظیم بررسی خواهید کرد.
این دوره، آخرین بخش از سری چهارگانه «علوم داده کاربردی پیشرفته با پایتون» است که بر کمک به شما در بهکارگیری تکنیکهای پیشرفته علوم داده متمرکز است. توصیه میشود تمامی دانشجویان پیش از این دوره، دورههای مقدماتی علوم داده با پایتون، یادگیری ماشین کاربردی با پایتون و متنکاوی کاربردی با پایتون را تکمیل کنند.
سرفصل ها و درس ها
استخراج اطلاعات
Information Extraction
خوشآمدگویی به دوره استخراج اطلاعات
Welcome to Information Extraction
استخراج اطلاعات چیست؟
What is Information Extraction?
استخراج اطلاعات در دامنههای مختلف
Information Extraction in Different Domains
استخراج اطلاعات ساختاریافته
Extracting Formatted Information
استخراج مبتنی بر جستجو (Lookup Based)
Lookup Based Extraction
دمو: استفاده از عبارتهای منظم و بررسی خروجی
Demo: Using Regular Expressions & Examining Output
معرفی تمرین ۱: قالببندی و نرمالسازی دادهها با Regular Expressions
Assignment 1 Introduction: Formatting & Normalizing Data with Regular Expressions
بازشناسی موجودات نامدار (NER)
Named Entity Recognition (NER)
بازشناسی موجودات نامدار (NER) چیست؟
What is Named Entity Recognition (NER)?
NER به عنوان یک تسک طبقهبندی توالی
NER as a Sequence Classification Task
اصول مدلهای زنجیره مارکوف
Fundamentals of Markov Chain Models
میدانهای تصادفی شرطی (CRFs)
Conditional Random Fields (CRFs)
دمو: آموزش مدل CRF
Demo: CRF Model Training
معرفی تمرین ۲: پیادهسازی یک مدل CRF
Assignment 2 Introduction: Implementing a CRF Model
مدلهای شبکه عصبی
Neural Network Models
مقدمهای بر یادگیری عمیق
Introduction to Deep Learning
مدلهای شبکه عصبی
Neural Network Models
مدلهای شبکه عصبی عمیق
Deep Neural Network Models
دمو: پیکربندی Bi-Directional LSTM
Demo: Configuring the Bi-Directional LSTM
معرفی تمرین ۳: ساخت خط لوله استخراج اطلاعات با BiLSTMs و CRFs
Assignment 3 Introduction: Building an Information Extraction Pipeline with BiLSTMs and CRFs
ترنسفورمرها و تحول در استخراج اطلاعات
Transformers Transform Information Extraction
مدلهای زبانی (LMs)
Language Models (LMs)
مدلهای زبانی بزرگ (LLMs)
Large Language Models (LLMs)
ترنسفورمرها
Transformers
معرفی تمرین ۴: ساخت خط لوله استخراج اطلاعات با استفاده از ترنسفورمرها
Assignment 4 Introduction: Build an Information Extraction Pipeline using Transformers
نمایش نظرات