توضیحات

آموزش پروژه محور پردازش زبان طبیعی (NLP) نسخه دوم

نام دوره : Machine Learning: Natural Language Processing in Python (V2)

پیش نیاز:

• پایتون را نصب کنید، رایگان است!
• مهارت های مناسب برنامه نویسی پایتون
• اختیاری: اگر می‌خواهید قسمت‌های ریاضی را بفهمید، جبر خطی و احتمالات مفید هستند

برای پیش نیاز های دوره , دوره زیر پیشنهاد می شود:

آموزش ریاضی با پایتون

توضیحات:

به یادگیری ماشینی: پردازش زبان طبیعی در پایتون (نسخه 2) خوش آمدید.

این یک دوره آموزشی عظیم 4 در 1 است که شامل موارد زیر است:

• 1) مدل های برداری و روش های پیش پردازش متن
• 2) مدل های احتمال و مدل های مارکوف
• 3) روش های یادگیری ماشینی
• 4) یادگیری عمیق و روش های شبکه عصبی

در بخش 1 که مدل‌های برداری و روش‌های پیش‌پردازش متن را پوشش می‌دهد، با این موضوع آشنا می‌شوید که چرا بردارها در علم داده و هوش مصنوعی بسیار ضروری هستند.

شما در مورد تکنیک های مختلف برای تبدیل متن به بردار، مانند CountVetorizer و TF-IDF، و اصول اولیه روش های تعبیه عصبی مانند word2vec و GloVe را یاد خواهید گرفت.

سپس آنچه را که آموخته اید برای کارهای مختلف به کار می گیرید، مانند:

• طبقه بندی متن
• بازیابی اسناد / موتور جستجو
• خلاصه سازی متن
• در طول مسیر، مراحل مهم پیش‌پردازش متن، مانند توکن‌سازی، ریشه‌یابی و واژه‌سازی را نیز یاد خواهید گرفت.
• به طور خلاصه با وظایف کلاسیک NLP مانند برچسب گذاری قسمت های گفتار آشنا خواهید شد.

در قسمت 2 که مدل‌های احتمال و مدل‌های مارکوف را پوشش می‌دهد، با یکی از مهم‌ترین مدل‌ها در کل علم داده و یادگیری ماشین آشنا می‌شوید.

علاوه بر NLP در بسیاری از زمینه ها مانند امور مالی، بیوانفورماتیک و یادگیری تقویتی استفاده شده است.

در این دوره، خواهید دید که چگونه می توان از چنین مدل های احتمالی به روش های مختلف استفاده کرد، مانند:

• ساخت یک طبقه بندی کننده متن
• چرخش مقاله
• تولید متن (تولید شعر)
• نکته مهم این است که این روش ها یک پیش نیاز ضروری برای درک چگونگی کارکرد آخرین مدل های ترانسفورماتور (توجه) مانند BERT و GPT-3 هستند. به طور خاص، ما در مورد 2 وظیفه مهم که با اهداف پیش از آموزش برای BERT و GPT مطابقت دارد، یاد خواهیم گرفت.

در بخش 3، که روش‌های یادگیری ماشینی را پوشش می‌دهد، در مورد کارهای کلاسیک NLP، مانند:

• تشخیص هرزنامه
• تحلیل احساسات
• تحلیل معنایی نهفته (همچنین به عنوان نمایه سازی معنایی پنهان نیز شناخته می شود)
• مدل سازی موضوع

این بخش به جای تمرکز بر تئوری، بر روی کاربرد متمرکز خواهد بود، به این معنی که به جای اینکه بیشتر تلاش خود را صرف یادگیری جزئیات الگوریتم‌های مختلف ML کنیم، روی نحوه اعمال آن‌ها برای وظایف فوق تمرکز خواهید کرد.

البته، برای اینکه بفهمید چه اتفاقی می‌افتد، همچنان باید درباره آن الگوریتم‌ها چیزی یاد بگیرید. از الگوریتم های زیر استفاده خواهد شد:

• Naive Bayes
• رگرسیون لجستیک
• تجزیه و تحلیل اجزای اصلی (PCA) / تجزیه ارزش تکی (SVD)
• تخصیص دیریکله نهفته (LDA)

اینها فقط “هر” الگوریتم های یادگیری ماشینی / هوش مصنوعی نیستند، بلکه الگوریتم هایی هستند که در NLP اصلی بوده اند و بنابراین بخشی ضروری از هر دوره NLP هستند.

در قسمت 4، که روش های یادگیری عمیق را پوشش می دهد، در مورد معماری شبکه های عصبی مدرن که می توانند برای حل وظایف NLP استفاده شوند، آشنا خواهید شد.

به لطف قدرت و انعطاف پذیری زیاد، شبکه های عصبی می توانند برای حل هر یک از وظایف فوق الذکر در دوره استفاده شوند.

شما در آموزش پروژه محور پردازش زبان طبیعی (NLP) نسخه دوم در مورد:

• شبکه های عصبی مصنوعی پیشخور (ANN)
• جاسازی ها
• شبکه های عصبی کانولوشن (CNN)
• شبکه های عصبی مکرر (RNN)
• مطالعه RNN ها شامل معماری های مدرنی مانند LSTM و GRU می شود که به طور گسترده توسط گوگل، آمازون، اپل، فیس بوک و غیره برای کارهای دشواری مانند ترجمه زبان، تشخیص گفتار و تبدیل متن به گفتار استفاده شده است.

بدیهی است که از آنجایی که آخرین ترانسفورماتورها (مانند BERT و GPT-3) نمونه هایی از شبکه های عصبی عمیق هستند، این بخش از دوره یک پیش نیاز ضروری برای درک ترانسفورماتورها است.

دوره آموزش پروژه محور پردازش زبان طبیعی (NLP) نسخه دوم برای چه کسانی است:

• هر کسی که می خواهد پردازش زبان طبیعی (NLP) را یاد بگیرد
• هر کسی که به هوش مصنوعی، یادگیری ماشین، یادگیری عمیق یا علم داده علاقه دارد
• هر کسی که می خواهد فراتر از دوره های معمولی فقط مبتدی در Udemy برود

بخشی از دوره :