پردازش زبان طبیعی (NLP)
دوره آموزش پردازش زبان طبیعی (NLP) در هوش مصنوعی
دانیال سلیمانیAI Engineer & Lecturer at Arioobarzan Team
۱۳ ساعت
۴.۲/۵
۱۱نفر
دستیار هوش مصنوعی
گواهینامه
ارزیابی
دوره آموزش پردازش زبان طبیعی (NLP) در هوش مصنوعی
هوش مصنوعی فقط عدد و پیشبینی نیست؛ وقتی جذاب میشود که یک جمله از شما میگیرد و سعی میکند مثل یک انسان بفهمد منظورتان چیست. همینجا پای پردازش زبان طبیعی (NLP) وسط میآید.
اسکیلکمپ NLP یک دوره آفلاین ۸ ساعته است که با پیشنیاز مباحث پایه هوش مصنوعی مثل ماشین لرنینگ و دیپ لرنینگ برگزار میشود. در این دوره وارد دنیای آموزش پردازش زبان طبیعی میشوید و یاد میگیرید چطور متنها را تحلیل و برای پروژههای واقعی آماده کنید.
این دوره کاملاً پروژهمحور است. کد و تمرین در اختیارتان قرار میگیرد تا یادگیری فقط تئوری نباشد. در کنار آن، گروه منتورینگ با پاسخگویی محدود همراه شماست تا مسیرتان روشنتر پیش برود.
سرفصل های دوره پردازش زبان طبیعی (NLP)
۹ فصل
۷۲ جلسه
۱۳ ساعت
۱.
مقدمهای بر دوره پردازش زبان طبیعی (NLP)
۰۰:۰۷:۵۲
۲.
کاربردهای NLP در زندگی روزمره
۰۰:۰۶:۳۹
۳.
زبان و پردازش زبان طبیعی: از آغاز تا آینده
۰۰:۰۶:۱۶
۴.
تاریخچه و تکامل پردازش زبان طبیعی (NLP)
۰۰:۰۷:۱۴
۵.
چالشهای پردازش زبان طبیعی (NLP) و راهحلها
۰۰:۱۲:۳۶
۶.
مفهوم کاراکتر و نحوه ذخیرهسازی آن در کامپیوتر
۰۰:۱۲:۰۷
۷.
مروری بر مباحث پایهای رشتهها در پایتون
۰۰:۰۶:۱۴
۸.
آشنایی با محیطهای برنامهنویسی پایتون و Jupyter Notebook
۰۰:۰۶:۱۹
۹.
آشنایی با محیط جوپیتر نوتبوک و برنامهنویسی پایه
۰۰:۱۴:۴۷
۱۰.
متودهای کار با رشتهها در پایتون
۰۰:۱۰:۵۸
۱۱.
آشنایی با مدیریت فایلها در برنامهنویسی پایتون
۰۰:۱۳:۱۱
۱۲.
پیادهسازی فایل هندلینگ در Python
۰۰:۱۱:۰۵
۱۳.
حل تمرین شمردن حروف صدادار در Python
۰۰:۱۰:۵۷
۱۴.
مدیریت فایلهای پیدیاف با PyPDF2 در Python
۰۰:۱۲:۲۵
۱۵.
مبانی و کاربردهای ریجکس در پردازش متن
۰۰:۱۱:۵۳
۱۶.
آشنایی با متا کارکترها و عبارات با قاعده در Regex
۰۰:۱۰:۳۴
۱۷.
متودهای پرکاربرد در regex و کاربردهای آنها
۰۰:۰۴:۳۰
۱۸.
یادگیری Регекс با ماژول RE در پایتون
۰۰:۱۵:۵۰
۱۹.
آموزش استفاده از Regex برای پردازش متن
۰۰:۱۴:۵۶
۲۰.
معرفی کتابخانههای پردازش متن در پایتون
۰۰:۱۵:۴۷
۲۱.
معرفی و نصب کتابخانه Spacy برای NLP
۰۰:۰۸:۱۹
۲۲.
نصب و استفاده از SpaCy و مدلهای آن در محیط مجازی
۰۰:۱۱:۵۱
۲۳.
آشنایی با ویژگیهای یکی از ابزارهای NLP
۰۰:۰۶:۱۰
۲۴.
آموزش توکنسازی در Python با استفاده از SpaCy
۰۰:۰۸:۰۶
۲۵.
پیادهسازی توکنسازی با اسپیسی در Python
۰۰:۰۴:۵۷
۲۶.
برچسبگذاری دستوری (POS Tagging) در NLP
۰۰:۰۵:۴۵
۲۷.
پیادهسازی POS در پردازش متن با Python و SpaCy
۰۰:۰۹:۵۳
۲۸.
مفاهیم پارستری و تجزیه جملات در زبان فارسی
۰۰:۰۵:۳۵
۲۹.
آشنایی با گوگل کولاب و امکانات آن
۰۰:۰۷:۳۹
۳۰.
پیادهسازی تجزیهگر وابستگی با SpaCy و BenPar
۰۰:۰۴:۰۸
۳۱.
مفاهیم lemmatization و stemming در NLP
۰۰:۰۳:۵۷
۳۲.
پیادهسازی lemmatization و stemming در NLP
۰۰:۰۴:۵۶
۳۳.
تشخیص موجودیتهای نامدار با استفاده از spaCy
۰۰:۰۵:۰۲
۳۴.
پیادهسازی نامموجودیتشناسی با اسپیسی
۰۰:۰۸:۱۹
۳۵.
تبدیل متن به بردار عددی در انالپی
۰۰:۰۷:۳۳
۳۶.
پیادهسازی وان هات انکودینگ با پایتون از صفر
۰۰:۳۱:۰۰
۳۷.
آموزش bag of words (BOW) در vectorization متن
۰۰:۰۴:۴۴
۳۸.
پیادهسازی روش bag of words در وکتورایز کردن
۰۰:۰۸:۰۴
۳۹.
روش TF-IDFدر وکتوریزه کردن متن
۰۰:۱۶:۵۹
۴۰.
پیادهسازی TF-IDF با پایتون و اسپایسی
۰۰:۲۱:۳۳
۴۱.
پیادهسازی TF و TF-IDF با استفاده از Python
۰۰:۱۱:۳۱
۴۲.
محاسبه IDF در تحلیل متن و یادگیری ماشین
۰۰:۰۸:۲۹
۴۳.
محاسبه TF-IDF با Python و توکنیزیشن
۰۰:۱۱:۱۰
۴۴.
بحث embedding و شباهت در وکتورهای عددی
۰۰:۱۳:۳۷
۴۵.
آموزش Word2Vec و مدلهای CBOW و اسکیپ گرم
۰۰:۱۰:۵۴
۴۶.
پیادهسازی مدلهای CBOW و Skip-Gram
۰۰:۱۰:۴۹
۴۷.
آشنایی با محیط Kaggle و استفاده از GPU در کدنویسی
۰۰:۲۶:۱۰
۴۸.
مبانی یادگیری ماشین و کاربردهای آن
۰۰:۱۹:۴۷
۴۹.
الگوریتمهای یادگیری ماشین در تحلیل متن
۰۰:۲۱:۱۵
۵۰.
مفاهیم اولیه یادگیری تقویتی در ماشین لرنینگ
۰۰:۰۵:۱۱
۵۱.
آموزش مدل کلاسیفیکیشن در یادگیری ماشین
۰۰:۰۵:۴۳
۵۲.
معرفی پروژه تشخیص اسپم در اسمس و ایمیل
۰۰:۰۴:۰۶
۵۳.
پیادهسازی تشخیص اسپم اساماس با پایتون و پاندا
۰۰:۱۴:۰۲
۵۴.
معرفی شبکههای عصبی و یادگیری عمیق
۰۰:۰۶:۵۲
۵۵.
یادگیری عمیق برای دادههای متنی و الگوریتمها
۰۰:۲۰:۳۹
۵۶.
پیادهسازی پیشبینی کلمات با TensorFlow و NLP
۰۰:۳۰:۱۸
۵۷.
پروژه تحلیل احساسات با Python و دیتاستهای مختلف
۰۰:۰۱:۳۱
۵۸.
سیستم RAG در NLP: بازیابی و نسل اطلاعات
۰۰:۱۴:۳۴
۵۹.
فرآیند Retrieval در سیستمهای RAG و کاربرد Chunks
۰۰:۱۲:۳۲
۶۰.
پیادهسازی سیستم Retrieval با Google Colab و LangChain
۰۰:۱۷:۱۳
۶۱.
پیادهسازی پیشپردازش متن با استفاده از RegEx
۰۰:۱۸:۲۴
۶۲.
پیادهسازی Embedding مدلهای شبکههای عصبی
۰۰:۱۱:۳۲
۶۳.
آموزش پردازش دادهها با استفاده از Google Colab و Kaggle
۰۰:۱۵:۵۱
۶۴.
پیادهسازی سیستم بازیابی و وکتور امبدینگ در Python
۰۰:۰۹:۳۰
۶۵.
نکات مهم در پیادهسازی Augmented Generation
۰۰:۰۸:۴۷
۶۶.
پیادهسازی Augmented Generation در LLM ها
۰۰:۰۷:۳۴
۶۷.
آموزش استفاده از مدلهای LLM در سیستم لوکال
۰۰:۱۸:۴۲
۶۸.
آموزش طراحی و پیادهسازی Template در LLM
۰۰:۲۰:۵۳
۶۹.
پیادهسازی چتبات با API در پایتون
۰۰:۰۲:۵۷
۷۰.
پیادهسازی چتبات با استفاده از OpenAI API
۰۰:۱۹:۰۴
۷۱.
پیادهسازی چتبات با مدلهای محلی در Python
۰۰:۲۱:۵۲
۷۲.
ایجاد چتبات RAG به عنوان پروژه نهایی
۰۰:۰۱:۵۲
مدرس دوره
دانیال سلیمانی
AI Engineer & Lecturer at Arioobarzan Team
سوالات متداول
کارجویان
آکادمی (بوتکمپ)
آکادمی (بوتکمپ پرو)
آکادمی (اسکیلکمپ)
دارای مجوز رسمی کاریابی الکترونیک و آموزش فنی و حرفهای
از وزارت کار، تعاون و رفاه اجتماعی
© ۱۴۰۵ تمام حقوق و محتویات این سایت متعلق به شرکت میزان بنیان
می باشد