توضیحات

آموزش پردازش زبان طبیعی (NLP) در پایتون با 8 پروژه

نام دوره : Natural Language Processing (NLP) in Python with 8 Projects

پیش نیاز:

• درک اولیه برنامه نویسی پایتون

توضیحات:

سلام دوستداران داده

آیا ایده ای در مورد اینکه کدام حوزه هوش مصنوعی قرار است در سال آینده بزرگ شود دارید؟

طبق آمار statista dot com پیش‌بینی می‌شود کدام حوزه هوش مصنوعی تا سال 2025 به 43 میلیارد دلار برسد؟

اگر پاسخ «پردازش زبان طبیعی» است، شما در جای درستی هستید.

میخوای بدونی

چگونه Google News میلیون ها مقاله خبری را در صدها دسته بندی مختلف طبقه بندی می کند.

چگونه تشخیص گفتار اندروید صدای شما را با این دقت بالا تشخیص می دهد.

چگونه Google Translate صدها جفت زبان مختلف را به یکدیگر ترجمه می کند.

اگر پاسخ “بله” است، شما در مسیر درستی هستید.

NLP – “پردازش زبان طبیعی” در هر جنبه ای از زندگی روزمره ما فضایی پیدا کرده است.

اینترنت تلفن همراه بخش جدایی ناپذیر زندگی ماست.

در بسیاری از برنامه ها، از روش های NLP، از موتور جستجوی گوگل گرفته تا سیستم توصیه آمازون و نتفلیکس، استفاده خواهید کرد.

• چت-ربات
• Google Now، Apple Siri، Amazon Alexa
• ترجمه ماشینی
• تحلیل احساسات
• تشخیص گفتار و بسیاری دیگر.

این دوره دارای بیش از 10 ساعت ویدیو با کیفیت HD و محتوای زیر است.

خلاصه دوره آموزش پردازش زبان طبیعی (NLP) در پایتون با 8 پروژه:

1: خوش آمدید

در این بخش ما ایده کاملی در مورد آنچه که قرار است در کل دوره یاد بگیریم و درک مربوط به پردازش زبان طبیعی به دست خواهیم آورد.

2 : نصب و راه اندازی

در این بخش ما تنظیمات محیط آنلاین Google Colab را دریافت می کنیم.

3: مبانی پردازش زبان طبیعی

در این بخش به تمام کارهای اساسی NLP مانند Tokenization، Lemmatization، توقف حذف کلمه، شناسایی موجودیت نام، بخشی از برچسب‌گذاری گفتار و نحوه اعمال با توابع مختلف موجود در Spacy و NLTK خواهیم پرداخت. کتابخانه

4، 5، 6 :

طبقه‌بندی پیام‌های هرزنامه، پیش‌بینی مرور رستوران (خوب یا بد)، طبقه‌بندی بررسی IMDB، آمازون و Yelp

در 3 بخش بعدی به مجموعه داده های دنیای واقعی برای طبقه بندی متن، تشخیص هرزنامه، طبقه بندی بررسی رستوران، بررسی های Amazon IMDb خواهیم پرداخت. ما خواهیم دید که چگونه پیش پردازش را انجام دهیم و داده های خود را برای الگوریتم یادگیری ماشین مناسب کنیم و از تخمینگرهای مختلف یادگیری ماشین (رگرسیون لجستیک، SVM، درخت تصمیم) برای طبقه بندی متن استفاده کنیم.

7، 8:

خلاصه سازی خودکار متن، تجزیه و تحلیل احساسات توییتر در این بخش 2 ما بر روی کاربرد دنیای واقعی NLP کار خواهیم کرد.

خلاصه سازی خودکار متن، که متن شما را برای یافتن خلاصه مقالات بزرگ فشرده می کند

یکی دیگر از مواردی که ما کار خواهیم کرد، یافتن احساسی از توییت اخیراً ارسال شده در مورد یک کلمه کلیدی خاص با کمک API Twitter – کتابخانه tweepy است.

9:

مبانی یادگیری عمیق در این بخش، ما یک ایده اولیه در مورد مفهوم یادگیری عمیق، مانند عملکرد فعال سازی شبکه عصبی مصنوعی و نحوه عملکرد ANN خواهیم داشت.

10:

جاسازی کلمه در این بخش، نحوه پیاده سازی word2vec را در مجموعه داده های سفارشی خود و همچنین با استفاده از مدل از پیش آموزش داده شده Google را مشاهده خواهیم کرد.

11، 12:

طبقه‌بندی متن با CNN و RNN در این بخش نحوه اعمال مدل یادگیری عمیق پیشرفته مانند شبکه‌های عصبی کانولوشن و شبکه‌های عصبی تکراری را برای طبقه‌بندی متن خواهیم دید.

13:

تولید خودکار متن با استفاده از TensorFlow، Keras و LSTM در این بخش از مدل LSTM مبتنی بر شبکه عصبی برای تولید خودکار متن استفاده می کنیم.

14, 15, 16, 17 :

Numpy, Pandas, Matplotlib + File Processing در این بخش برای همه شمایی که می خواهید مفهوم تازه سازی مربوط به تجزیه و تحلیل داده ها با کتابخانه Numpy و Pandas، تجسم داده ها با کتابخانه Matplotlib و پردازش فایل متنی و PDF را داشته باشید. پردازش فایل.

دوره آموزش پردازش زبان طبیعی (NLP) در پایتون با 8 پروژه برای چه کسانی است:

• هر کسی که علاقه مند به یادگیری پردازش زبان طبیعی است

بخشی از دوره :