پردازش زبان طبیعی - مدل های احتمال در پایتون [ویدئو]

Natural Language Processing - Probability Models in Python [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: با شروع یک مقدمه و طرح کلی دوره، به دانش آموزان پیشنهاد ویژه ای برای شروع سفر یادگیری خود در این دوره ارائه می شود. بخش های اولیه شما را از طریق فرآیند راه اندازی راهنمایی می کند و منابع کد لازم را ارائه می کند. این دوره بر استراتژی‌های موفقیت تأکید می‌کند و تضمین می‌کند که یادگیرندگان از همان ابتدا به خوبی آماده شده‌اند. این دوره به شناسایی هرزنامه می پردازد، که با توضیح مشکل و شهودی در پشت Naive Bayes شروع می شود. شرکت‌کنندگان در تمرین‌ها شرکت می‌کنند و یاد می‌گیرند که در حین ارزیابی مدل‌ها با استفاده از امتیازات ROC، AUC، و F1 به عدم تعادل کلاس رسیدگی کنند. پیاده سازی عملی در پایتون درک را تقویت می کند. پس از این، دوره به تجزیه و تحلیل احساسات، شامل شرح مسئله، رگرسیون لجستیک و آموزش می رود. تمرین‌ها و پروژه‌های مبتنی بر پایتون، زبان‌آموزان را قادر می‌سازد تا مفاهیم را به‌طور مؤثر به کار گیرند. خلاصه‌سازی متن با بخش‌هایی درباره روش‌های مبتنی بر برداری و TextRank، از سطوح پایه تا پیشرفته، به‌طور کامل بررسی می‌شود. جلسات عملی پایتون تضمین می کند که زبان آموزان می توانند این تکنیک ها را پیاده سازی کنند. این دوره با مدل‌سازی موضوع، معرفی روش‌های LDA و NMF، تکمیل شده با تمرین‌های کدنویسی پایتون به اوج خود می‌رسد. یک فرو رفتن عمیق در تجزیه و تحلیل معنایی پنهان و استفاده از SVD در NLP برنامه درسی را تکمیل می کند و از تخصص کامل در NLP اطمینان حاصل می کند. شناسایی و پیاده سازی الگوریتم های تشخیص هرزنامه تجزیه و تحلیل احساسات را با استفاده از رگرسیون لجستیک انجام دهید انجام خلاصه سازی متن با استفاده از روش های مختلف از تکنیک های پیشرفته مانند TextRank برای خلاصه سازی استفاده کنید درک و پیاده سازی مدل سازی موضوع با LDA و NMF استفاده از تجزیه و تحلیل معنایی پنهان در پروژه های پایتون این دوره برای متخصصان فنی، دانشمندان داده و توسعه دهندگان با درک اولیه از برنامه نویسی پایتون و مفاهیم یادگیری ماشین طراحی شده است. آشنایی با روش های آماری پایه توصیه می شود اما الزامی نیست. مقدمه‌ای جامع بر تکنیک‌های NLP با استفاده از پایتون * بررسی‌های دقیق تشخیص هرزنامه، تجزیه و تحلیل احساسات و خلاصه‌سازی متن * روش‌های پیشرفته مانند TextRank و تخصیص دیریکله پنهان (LDA)

سرفصل ها و درس ها

خوش آمدی Welcome

  • مقدمه و طرح کلی Introduction and Outline

  • پیشنهاد ویژه Special Offer

راه اندازی Getting Set Up

  • از کجا می توان کد را دریافت کرد Where To Get the Code

  • چگونه در این دوره موفق شویم How To Succeed in This Course

تشخیص هرزنامه Spam Detection

  • تشخیص هرزنامه - شرح مشکل Spam Detection - Problem Description

  • شهود ساده بیز Naive Bayes Intuition

  • تشخیص هرزنامه - اعلان تمرین Spam Detection - Exercise Prompt

  • به غیر از: عدم تعادل کلاس، امتیاز ROC، AUC و F1 (امتیاز 1) Aside: Class Imbalance, ROC, AUC, and F1 Score (pt 1)

  • به غیر از: عدم تعادل کلاس، امتیاز ROC، AUC و F1 (نمره 2) Aside: Class Imbalance, ROC, AUC, and F1 Score (pt 2)

  • تشخیص هرزنامه در پایتون Spam Detection in Python

تحلیل احساسات Sentiment Analysis

  • تجزیه و تحلیل احساسات - شرح مسئله Sentiment Analysis - Problem Description

  • شهود رگرسیون لجستیک (نقطه 1) Logistic Regression Intuition (pt 1)

  • رگرسیون لجستیک چند طبقه (نقطه 2) Multiclass Logistic Regression (pt 2)

  • آموزش رگرسیون لجستیک و تفسیر Logistic Regression Training and Interpretation

  • تجزیه و تحلیل احساسات - اعلان تمرین Sentiment Analysis - Exercise Prompt

  • تجزیه و تحلیل احساسات در پایتون (نقطه 1) Sentiment Analysis in Python (pt 1)

  • تجزیه و تحلیل احساسات در پایتون (نقطه 2) Sentiment Analysis in Python (pt 2)

خلاصه سازی متن Text Summarization

  • مقدمه بخش خلاصه سازی متن Text Summarization Section Introduction

  • خلاصه سازی متن با استفاده از بردارها Text Summarization Using Vectors

  • دستور تمرین خلاصه سازی متن Text Summarization Exercise Prompt

  • خلاصه سازی متن در پایتون Text Summarization in Python

  • TextRank Intuition TextRank Intuition

  • TextRank - واقعاً چگونه کار می کند (پیشرفته) TextRank - How It Really Works (Advanced)

  • اعلان تمرین TextRank (پیشرفته) TextRank Exercise Prompt (Advanced)

  • رتبه متن در پایتون (پیشرفته) TextRank in Python (Advanced)

  • خلاصه سازی متن در پایتون - راه آسان (مبتدی) Text Summarization in Python - The Easy Way (Beginner)

  • خلاصه بخش خلاصه سازی متن Text Summarization Section Summary

مدل سازی موضوع Topic Modeling

  • مقدمه بخش مدل سازی موضوع Topic Modeling Section Introduction

  • تخصیص دیریکله نهفته (LDA) - ملزومات Latent Dirichlet Allocation (LDA) - Essentials

  • LDA - تهیه کد LDA - Code Preparation

  • LDA - تصویر شاید مفید (اختیاری) LDA - Maybe Useful Picture (Optional)

  • تخصیص دیریکله پنهان (LDA) - شهود (پیشرفته) Latent Dirichlet Allocation (LDA) - Intuition (Advanced)

  • مدل سازی موضوع با تخصیص دیریکله پنهان (LDA) در پایتون Topic Modeling with Latent Dirichlet Allocation (LDA) in Python

  • شهود فاکتورسازی ماتریس غیر منفی (NMF). Non-Negative Matrix Factorization (NMF) Intuition

  • مدلسازی موضوع با فاکتورسازی ماتریس غیر منفی (NMF) در پایتون Topic Modeling with Non-Negative Matrix Factorization (NMF) in Python

  • خلاصه بخش مدلسازی موضوع Topic Modeling Section Summary

تحلیل معنایی پنهان (نمایه سازی معنایی پنهان) Latent Semantic Analysis (Latent Semantic Indexing)

  • معرفی بخش LSA/LSI LSA / LSI Section Introduction

  • SVD (تجزیه ارزش واحد) شهود SVD (Singular Value Decomposition) Intuition

  • LSA/LSI: استفاده از SVD در NLP LSA / LSI: Applying SVD to NLP

  • تجزیه و تحلیل معنایی پنهان/نمایه سازی معنایی پنهان در پایتون Latent Semantic Analysis / Latent Semantic Indexing in Python

  • تمرینات LSA/LSI LSA / LSI Exercises

نمایش نظرات

پردازش زبان طبیعی - مدل های احتمال در پایتون [ویدئو]
جزییات دوره
5h 11m
41
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lazy Programmer Lazy Programmer

برنامه نویس تنبل، یک معلم آنلاین برجسته، دارای مدرک کارشناسی ارشد دوگانه در مهندسی کامپیوتر و آمار، با یک دهه تخصص در یادگیری ماشین، تشخیص الگو، و یادگیری عمیق است که در آن دوره های پیشگامی را تألیف کرده است. سفر حرفه ای او شامل افزایش تبلیغات آنلاین و رسانه های دیجیتال، به ویژه افزایش نرخ کلیک و درآمد است. به عنوان یک مهندس نرم افزار همه کاره تمام پشته، او در Python، Ruby on Rails، C++ و غیره برتری دارد. دانش گسترده او حوزه هایی مانند بیوانفورماتیک و تجارت الگوریتمی را پوشش می دهد و مجموعه مهارت های متنوع او را به نمایش می گذارد. او که به ساده کردن موضوعات پیچیده اختصاص دارد، به عنوان یک چهره محوری در آموزش آنلاین ایستاده است و دانش آموزان را به طرز ماهرانه ای از طریق تفاوت های ظریف علم داده و هوش مصنوعی هدایت می کند.