دوره آموزشی پردازش زبان طبیعی برای گفتار و متن: از مبتدی تا پیشرفته
3 ساعت 10 دقیقهمتوسط2024-10-03
مدرسین

Wuraola Oyewusi
Wuraola Oyewusi is an experienced data scientist, machine learning, and artificial intelligence professional.
جزئیات دوره
با توجه به افزایش اخیر مدلهای زبان بزرگ، بررسی تکامل تکنیکهای پردازش زبان طبیعی (NLP) از روشهای سنتی تا استانداردهای فعلی صنعت بسیار مهم است. در این دوره، ووراولا اویوسی—یک دانشمند داده با تجربه و حرفهای در زمینه یادگیری ماشین و هوش مصنوعی—کمک میکند تا پایههای محکمی در مفاهیم پردازش زبان طبیعی (NLP) بسازید و به کاربرد کامل این تکنیکها پرداخته میشود. با دادههای متنی و گفتاری آشنا شوید و ضمن بررسی زمینه نظری مفاهیم NLP، تکامل تاریخی تکنیکهای NLP و کاربردهای فعلی تکنیکهای نمایش دادهها برای هر دو نوع داده متنی و گفتاری را بررسی کنید. همچنین با تمرینهای کدنویسی برای تکنیکهای پیشپردازش و وظایف مرتبط با دادههای متنی و گفتاری آشنا خواهید شد. علاوه بر این، با مجموعهای از کتابخانههای پایتون شامل NLTK، spaCy، Hugging Face، Transformers، librosa، scikit-learn، gensim و torchaudio آشنا میشوید.
اهداف یادگیری:
درک عملکردها و تکامل پردازش زبان طبیعی برای دادههای گفتاری و متنی (شامل تکنیکهای مبتنی بر یادگیری ماشین و دیگر تکنیکها).
پیادهسازی تکنیکهای تدریس شده در پایتون.
شروع به یادگیری NLP و پر کردن خلاهای دانش مهم در این حوزه.
اهداف یادگیری:
درک عملکردها و تکامل پردازش زبان طبیعی برای دادههای گفتاری و متنی (شامل تکنیکهای مبتنی بر یادگیری ماشین و دیگر تکنیکها).
پیادهسازی تکنیکهای تدریس شده در پایتون.
شروع به یادگیری NLP و پر کردن خلاهای دانش مهم در این حوزه.
مهارت ها
Natural Language Processing (NLP)PythonArtificial Intelligence (AI)Open SourceOne-Off
سرفصل ها
0. مقدمه
- 01 - مبانی پردازش زبان طبیعی
- 02 - استراتژی دوره NLP
1. مقدمه ای بر پردازش زبان طبیعی (NLP)
- 03 - پردازش زبان طبیعی (NLP) چیست؟
- 04 - دنبالهها چیست
- 05 - کاربردهای پردازش زبان طبیعی در دادههای متنی
- 06 - کاربردهای پردازش زبان طبیعی در دادههای گفتاری
- 07 - تکامل تاریخی وظایف و تکنیکهای NLP
- 08 - چگونه کامپیوترها دنبالهها را در NLP درک میکنند
2. پردازش زبان طبیعی برای تکنیکهای متن
- 09 - پیش پردازش متن
- 10 - پیش پردازش متن با استفاده از NLTK
- 11 - نمایش متن
- 12 - نمایش متن - رمزگذاری تک داغ
- 13 - رمزگذاری تک داغ با استفاده از scikit-learn
- 14 - نمایش متن - N-گرم
- 15 - نمایش N گرم با استفاده از NLTK
- 16 - نمایش متن - کیسه کلمات (BoW)
- 17 - نمایش کیسه ای از کلمات با استفاده از scikit-learn
- 18 - نمایش متن - فرکانس معکوس فرکانس سند (TF-IDF)
- 19 - نمایش TF-IDF با استفاده از scikit-learn
- 20 - نمایش متن - جاسازی کلمه
- 21 - تعبیه Word2vec با استفاده از Gensim
- 22 - تعبیه با مدل SpaCy از پیش آموزش دیده
- 23 - جاسازی جمله با استفاده از کتابخانه Sentence Transformers
- 24 - نمایش متن - مدلهای زبان از پیش آموزش دیده (PLM)
- 25 - مدلهای زبانی از قبل آموزش دیده با استفاده از Transformers
3. پردازش زبان طبیعی برای تکنیکهای گفتار
- 26 - بازنمایی گفتار - ضرایب مغزی فرکانس مل
- 27 - ضرایب مغزی فرکانس مل (MFCCs) با استفاده از librosa
- 28 - نمایش گفتار - ضرایب پیشبینی خطی مغزی (LPCC)
- 29 - کدگذاری خطی پیشبینی کننده (LPC) با استفاده از لیبروسا
- 30 - نمایش گفتار - ویژگیهای بانک فیلتر گاماتون
- 31 - ویژگیهای بانک فیلتر گاماتون با استفاده از لیبروسا
- 32 - بازنمایی گفتار - طیف نگارها
- 33 - طیف نگاری با استفاده از تبدیل فوریه سریع (FFT) در librosa
- 34 - بازنمایی گفتار - تعبیه گفتار
- 35 - جاسازی گفتار با استفاده از wav2vec در Transformers
4. پردازش زبان طبیعی کاربردی - الگوریتمها و وظایف
- 36 - الگوریتمهایی برای وظایف پردازش زبان طبیعی
- 37 - انواع الگوریتم در پردازش زبان طبیعی
- 38 - قاعده محور - عبارات با قاعده
- 39 - وظایف عبارت منظم با استفاده از کتابخانه re
- 40 - Rule-based - Rule-based parsing
- 41 - تجزیه جملات به ساختارهای نحوی با استفاده از گرامرهای بدون متن (CFG) در NLTK
- 42 - برچسب گذاری قسمتی از گفتار (POS) با استفاده از spaCy
- 43 - آماری - مدلهای پنهان مارکوف (HMM)
- 44 - مدلهای پنهان مارکوف (HMMs) برای برچسب گذاری POS در NLTK
- 45 - آماری - فیلدهای تصادفی شرطی (CRF)
- 46 - آماری - طبقه بندی کنندههای ساده بیز
- 47 - یادگیری ماشینی - ماشینهای بردار پشتیبانی (SVM)
- 48 - طبقه بندی دادههای متنی با استفاده از SVM
- 49 - یادگیری ماشینی - درختان تصمیم
- 50 - مجموعه دستورات گفتاری را با استفاده از درختهای تصمیم طبقه بندی کنید
- 51 - یادگیری ماشینی - K-به معنی خوشه بندی
- 52 - K-means خوشه بندی برای مجموعه دادههای نقد فیلم
- 53 - یادگیری عمیق - شبکههای عصبی مکرر (RNN)
- 54 - تولید متن با استفاده از شبکههای عصبی بازگشتی (RNN)
- 55 - یادگیری عمیق - ترانسفورماتور
- 56 - انتقال یادگیری در پردازش زبان طبیعی (NLP)
- 57 - گفتار به متن (STT) با استفاده از wav2vec در کتابخانه Transformers
- 58 - تبدیل متن به گفتار (TTS) با استفاده از Tacotron و WaveGlow
نتیجه گیری
- 59 - بعد از آن - NLP در عمل
دوره های مرتبط
- دوره آموزشی 10 مهارت برتر برای زبانشناسی محاسباتی
- دوره آموزشی آمادگی گواهینامه Azure AI Engineer Associate (AI-102): پیاده سازی راه حل های پردازش زبان طبیعی
- دوره آموزشی ساخت اپلیکیشن با ابزارهای هوش مصنوعی: ChatGPT، Semantic Kernel و Langchain
- دوره آموزشی آمادگی گواهینامه Azure AI Fundamentals (AI-900): بخش 4 بارهای کاری پردازش زبان طبیعی (NLP) در Azure
- دوره آموزشی هوش مصنوعی Azure برای توسعهدهندگان: مبانی طراحی هوش مصنوعی
- دوره آموزشی ساخت چت ربات هوشمند در AWS نسخه (2019)
- دوره آموزشی ساخت چت ربات هوشمند در AWS
- دوره آموزشی مقدمه ای بر هوش مصنوعی مکالمه ای
مسیرهای مرتبط
- مسیر آموزشی پروژه های عملی برای برنامه های دارای OpenAI
- مسیر آموزشی آماده شدن برای گواهینامه Microsoft Azure AI Fundamentals (AI-900)
- مسیر آموزشی ارتقا مهارت های خود در پردازش زبان طبیعی
- مسیر آموزشی تقویت مهارت های خود را در یادگیری عمیق و شبکه های عصبی
- مسیر آموزشی تسلط بر تجزیه و تحلیل داده ها در سطح اجرایی
- مسیر آموزشی ایجاد مهارت های ضروری در داده ها
- مسیر یادگیری گواهینامه حرفهای یادگیری ماشین با پایتون
- مسیر آموزشی از دانشمند داده به یک تحلیلگر داده تبدیل شوید