آموزش کدنویسی پروژه های زبان طبیعی بوسیله Deep Learning

در این دوره آموزشی یاد می گیرید که چطور از Deep Learning برای انجام پروژه های پردازش و تحلیل زبان طبیعی استفاده کنید.

عنوان اصلی : Deep Learning for Natural Language 2nd

سرفصل ها :

1 - یادگیری عمیق برای پردازش زبان طبیعی - مقدمه
2 - موضوعات
3 - 1.1 مقدمه ای بر یادگیری عمیق برای پردازش زبان طبیعی
4 - 1.2 اجرای نمونه کدهای دستی در نوت بوک های Jupyter
5 - 1.3 بررسی نظریه یادگیری عمیق پیش نیاز
6 - 1.4 A Sneak Peak
7 - موضوعات
8 - 2.1 بازنمایی محاسباتی عناصر زبان طبیعی
9 - 2.2 تجسم بردارهای کلمه با word2viz
10 - 2.3 Localist در مقابل نمایندگی های توزیع شده
11 - 2.4 عناصر زبان طبیعی انسان
12 - 2.5 الگوریتم word2vec
13 - 2.6 ایجاد بردارهای Word با word2vec
14 - 2.7 Word Vectors و doc2vec از پیش آموزش دیده
15 - موضوعات
16 - 3.1 بهترین روش ها برای پیش پردازش داده های زبان طبیعی
17 - 3.2 منطقه زیر منحنی ROC
18 - 3.3 طبقه بندی اسناد با یک شبکه عصبی متراکم
19 - 3.4 طبقه بندی با یک شبکه عصبی کانولوشنال
20 - موضوعات
21 - 4.1 نظریه اساسی RNN
22 - 4.2 RNN در عمل
23 - 4.3 نظریه اساسی LSTM و GRU
24 - 4.4 LSTM و GRU در عمل
25 - موضوعات
26 - 5.1 LSTM دو طرفه
27 - 5.2 LSTM پشته‌ای
28 - 5.3 مجموعه داده برای NLP
29 - 5.4 تولید توالی
30 - 5.5 seq2seq و توجه
31 - 5.6 آموزش انتقال در NLP - BERT، ELMo، GPT-2 و شخصیت های دیگر
32 - 5.7 معماری های غیر متوالی - Keras Functional API
33 - برنامه های سری زمانی 5.8 (مالی).
34 - یادگیری عمیق برای پردازش زبان طبیعی - خلاصه