دوره آموزشی NLP با پایتون برای یادگیری ماشین
4 ساعت 15 دقیقهمتوسط2018-03-23
مدرسین

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.
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
- دوره آموزشی RAG، اپهای هوش مصنوعی و عوامل هوش مصنوعی برای امنیت سایبری و شبکهها
- دوره آموزشی ساخت چتباتهای سفارشی با n8n
- دوره آموزشی هوش مصنوعی عملی: ساخت اولین چتبات مکالمهای خودت
- دوره آموزشی ساخت برنامههای ارزیابی LLM با LangChain
- دوره آموزشی یادگیری اصولی GraphRAG
- دوره آموزشی راهنمای کامل ارزیابی مدلهای زبان بزرگ (LLMها)
- دوره آموزشی هوش مصنوعی عملی: ساخت چتبات هوش مصنوعی با GPT-4o و Next.js
- دوره آموزشی هوش مصنوعی عملی: ساخت GPT اختصاصی خودتان