تخفیف ویژه همین الان — دوره‌های تخفیف‌دار را ببینید.
روز
:
ساعت
:
دقیقه
:
ثانیه
تخفیف‌های ویژه
دوره آموزشی NLP با پایتون برای یادگیری ماشین

دوره آموزشی NLP با پایتون برای یادگیری ماشین

4 ساعت 15 دقیقهمتوسط2018-03-23

مدرسین

Derek Jedamski

Derek Jedamski

Skilled Data Scientist specializing in machine learning

جزئیات دوره

با افزایش مقدار داده ها در دسترس عموم و افزایش توجه به داده های متنی بدون ساختار، درک نحوه تمیز کردن، پردازش و تجزیه و تحلیل داده های متنی فوق العاده ارزشمند است. اگر شما دارای تجربیاتی در Python هستید و علاقه به پردازش زبان طبیعی (NLP) دارید، این دوره می تواند دانش شما را برای حل مشکلات پیچیده با استفاده از یادگیری ماشین فراهم کند. مربی Derek Jedamski یک خلاصه سریع از مفاهیم پردازش زبان طبیعی (NLP) را فراهم می کند، شامل تمیز کردن داده های پیشرفته و تکنیک های بردار سازی را پوشش میدهد، و سپس یک شیرجه عمیق در موضوع طبقه بندی های یادگیری ماشینی، می زند. در این مرحله، او نشان می دهد چگونه دو نوع مختلف از مدل های یادگیری ماشین را بسازید، و همچنین نحوه ارزیابی و آزمایش تغییرات این مدل ها را بیاموزید.

اهداف یادگیری
تعریف NLP را توضیح دهید.
روند توکن سازی را توضیح دهید.
هدف بردارسازی را مشخص کنید.
نتایج لماتیزه را بشناسید.
ویژگی های TF-IDF را خلاصه کنید.
دقت را از نظر معیارهای ارزیابی تعیین کنید.
سه مزیت استفاده از روشهای گروهی را به خاطر بسپارید.

مهارت ها

Natural Language Processing (NLP)Machine LearningAdvancedPythonArtificial Intelligence (AI)Programming LanguagesOpen SourceSoftware Development

سرفصل ها

0. مقدمه

  • 01 - خوش آمدید
  • 02 - آنچه باید بدانید
  • 03 - چه ابزاری نیاز دارید
  • 04 - استفاده از فایل‌های تمرین

1. مبانی NLP

  • 05 - NLP و NLTK چیست
  • 06 - راه‌اندازی و نمای کلی NLTK
  • 07 - خواندن در داده‌های متنی
  • 08 - کاوش مجموعه داده
  • 09 - عبارات منظم چیست؟
  • 10 - آموزش استفاده از عبارات منظم
  • 11 - جایگزینی عبارت منظم
  • 12 - خط لوله یادگیری ماشین
  • 13 - اجرا - حذف علائم نگارشی
  • 14 - پیاده‌سازی - توکن سازی
  • 15 - اجرا - حذف کلمات توقف

2. پاکسازی اطلاعات تکمیلی

  • 16 - معرفی ساقه
  • 17 - استفاده از ساقه
  • 18 - معرفی لماتینگ
  • 19 - استفاده از کلمه نویسی

3. برداری داده‌های خام

  • 20 - معرفی بردار سازی
  • 21 - شمارش برداری
  • 22 - بردار N گرم
  • 23 - وزن دهی فرکانس معکوس سند

4. مهندسی ویژگی

  • 24 - معرفی مهندسی ویژگی
  • 25 - ایجاد ویژگی
  • 26 - ارزیابی ویژگی
  • 27 - شناسایی ویژگی‌های تبدیل
  • 28 - تبدیل قدرت باکس-کاکس

5. ساخت طبقه بندی‌های یادگیری ماشین

  • 29 - یادگیری ماشینی چیست
  • 30 - معیارهای اعتبارسنجی و ارزیابی متقابل
  • 31 - معرفی جنگل تصادفی
  • 32 - ساخت مدل جنگل تصادفی
  • 33 - جنگل تصادفی با مجموعه تست نگهدارنده
  • 34 - مدل جنگل تصادفی با جستجوی شبکه ای
  • 35 - عملکرد مدل جنگل تصادفی را ارزیابی کنید
  • 36 - معرفی تقویت گرادیان
  • 37 - جستجوی شبکه ای با افزایش گرادیان
  • 38 - عملکرد مدل تقویت کننده گرادیان را ارزیابی کنید
  • 39 - انتخاب مدل - آماده سازی داده ها
  • 40 - انتخاب مدل - نتایج

نتیجه

  • 41 - مراحل بعدی

دوره های مرتبط

مسیرهای مرتبط

درباره ما

لینداکده یک بستر یادگیری پیشرو است که به افراد کمک می کند تا کسب و کار ، نرم افزار ، فناوری و مهارت‌های خلاقانه را برای دستیابی به اهداف شخصی و حرفه ای بیاموزد.

شماره تلفنکانال آپاراتپشتیبانی تلگرامکانال تلگرامپیج اینستاگرام

کلیه‌ی حقوق این سایت متعلق به لینداکده می باشد

قوانین و شرایط|حریم خصوصی

نماد الکترونیک enamad در صورت اتصال با آی‌پی داخل کشور، نمایش داده خواهد شد.
logo-samandehi - لوگو ساماندهی
zarinpal
zibal