اپلیکیشن اندرویدی فلش‌کارت آموزشی مهندسی ویژگی برای تحلیل احساسات: افزایش دقت مدل‌ها

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی برای تحلیل احساسات: افزایش دقت مدل‌ها

موضوع کلی: علوم داده و یادگیری ماشین

موضوع میانی: تحلیل احساسات (Sentiment Analysis)

📋 سرفصل‌های دوره

• 1. فصل اول: مقدمه‌ای بر مهندسی ویژگی
• 2. فصل دوم: اهمیت مهندسی ویژگی در تحلیل احساسات
• 3. فصل سوم: درک داده‌های متنی برای تحلیل احساسات
• 4. فصل چهارم: مراحل اولیه پاکسازی داده‌های متنی
• 5. فصل پنجم: حذف علائم نگارشی و کاراکترهای خاص
• 6. فصل ششم: تبدیل متن به حروف کوچک
• 7. فصل هفتم: حذف کلمات توقف (Stopwords)
• 8. فصل هشتم: ریشه‌یابی کلمات (Stemming)
• 9. فصل نهم: لماتایزیشن (Lemmatization)
• 10. فصل دهم: توکن‌سازی (Tokenization)
• 11. فصل یازدهم: معرفی روش‌های Bag-of-Words (BoW)
• 12. فصل دوازدهم: پیاده‌سازی Bag-of-Words
• 13. فصل سیزدهم: محدودیت‌های Bag-of-Words
• 14. فصل چهاردهم: معرفی TF-IDF
• 15. فصل پانزدهم: محاسبه وزن TF
• 16. فصل شانزدهم: محاسبه وزن IDF
• 17. فصل هفدهم: محاسبه TF-IDF
• 18. فصل هجدهم: پیاده‌سازی TF-IDF
• 19. فصل نوزدهم: مقایسه BoW و TF-IDF
• 20. فصل بیستم: مهندسی ویژگی مبتنی بر N-gram
• 21. فصل بیست و یکم: Unigrams، Bigrams و Trigrams
• 22. فصل بیست و دوم: پیاده‌سازی N-gram
• 23. فصل بیست و سوم: مزایای N-gram در حفظ معنا
• 24. فصل بیست و چهارم: محدودیت‌های N-gram
• 25. فصل بیست و پنجم: جاسازی کلمات (Word Embeddings)
• 26. فصل بیست و ششم: مفهوم توزیع معنایی کلمات
• 27. فصل بیست و هفتم: معرفی Word2Vec
• 28. فصل بیست و هشتم: معماری Skip-gram در Word2Vec
• 29. فصل بیست و نهم: معماری CBOW در Word2Vec
• 30. فصل سی‌ام: پیاده‌سازی Word2Vec
• 31. فصل سی و یکم: معرفی GloVe
• 32. فصل سی و دوم: مفاهیم آماری در GloVe
• 33. فصل سی و سوم: پیاده‌سازی GloVe
• 34. فصل سی و چهارم: مقایسه Word2Vec و GloVe
• 35. فصل سی و پنجم: جاسازی جملات و اسناد
• 36. فصل سی و ششم: معرفی Sentence-BERT
• 37. فصل سی و هفتم: معماری Transformer در BERT
• 38. فصل سی و هشتم: استخراج ویژگی از BERT
• 39. فصل سی و نهم: پیاده‌سازی Sentence-BERT
• 40. فصل چهلم: جاسازی‌های پویا (Dynamic Embeddings)
• 41. فصل چهل و یکم: ویژگی‌های مبتنی بر سینتکس (Syntax-based Features)
• 42. فصل چهل و دوم: درخت وابستگی (Dependency Trees)
• 43. فصل چهل و سوم: استخراج ویژگی از درخت وابستگی
• 44. فصل چهل و چهارم: ویژگی‌های مبتنی بر قواعد (Rule-based Features)
• 45. فصل چهل و پنجم: استخراج قواعد از واژگان احساسی
• 46. فصل چهل و ششم: واژگان احساسی (Sentiment Lexicons)
• 47. فصل چهل و هفتم: معرفی SentiWordNet
• 48. فصل چهل و هشتم: استفاده از SentiWordNet
• 49. فصل چهل و نهم: معرفی LIWC (Linguistic Inquiry and Word Count)
• 50. فصل پنجاهم: استخراج ویژگی‌های روانشناختی
• 51. فصل پنجاه و یکم: ویژگی‌های مبتنی بر احساسات صریح
• 52. فصل پنجاه و دوم: شناسایی عبارات مثبت و منفی
• 53. فصل پنجاه و سوم: شناسایی احساسات با شدت‌های مختلف
• 54. فصل پنجاه و چهارم: ویژگی‌های مبتنی بر احساسات ضمنی
• 55. فصل پنجاه و پنجم: تشخیص طنز و کنایه
• 56. فصل پنجاه و ششم: تشخیص احساسات متناقض در یک جمله
• 57. فصل پنجاه و هفتم: ویژگی‌های مبتنی بر اموجی و شکلک‌ها
• 58. فصل پنجاه و هشتم: رمزگشایی معنای اموجی‌ها
• 59. فصل پنجاه و نهم: تلفیق اموجی‌ها با متن
• 60. فصل شصتم: ویژگی‌های مبتنی بر شبکه‌های اجتماعی
• 61. فصل شصت و یکم: هشتگ‌ها و منشن‌ها
• 62. فصل شصت و دوم: استخراج ویژگی از ساختار توئیت‌ها
• 63. فصل شصت و سوم: ویژگی‌های مبتنی بر زمان و مکان
• 64. فصل شصت و چهارم: تحلیل احساسات در طول زمان
• 65. فصل شصت و پنجم: تحلیل احساسات مبتنی بر موقعیت مکانی
• 66. فصل شصت و ششم: مهندسی ویژگی برای تحلیل احساسات در زبان فارسی
• 67. فصل شصت و هفتم: چالش‌های زبان فارسی
• 68. فصل شصت و هشتم: منابع و واژگان احساسی فارسی
• 69. فصل شصت و نهم: توکن‌سازی و پاکسازی در فارسی
• 70. فصل هفتادم: ریشه‌یابی و لماتایزیشن در فارسی
• 71. فصل هفتاد و یکم: مهندسی ویژگی با استفاده از Word Embeddings فارسی
• 72. فصل هفتاد و دوم: مدل‌های پیش‌آموزش‌دیده برای فارسی (مانند ParsBERT)
• 73. فصل هفتاد و سوم: ترکیب ویژگی‌های مختلف (Feature Engineering Fusion)
• 74. فصل هفتاد و چهارم: انتخاب بهترین ویژگی‌ها (Feature Selection)
• 75. فصل هفتاد و پنجم: روش‌های مبتنی بر فیلتر (Filter Methods)
• 76. فصل هفتاد و ششم: روش‌های مبتنی بر لفافه‌ای (Wrapper Methods)
• 77. فصل هفتاد و هفتم: روش‌های مبتنی بر جاسازی (Embedded Methods)
• 78. فصل هفتاد و هشتم: اهمیت مهندسی ویژگی در مدل‌های یادگیری عمیق
• 79. فصل هفتاد و نهم: استفاده از CNN برای تحلیل احساسات
• 80. فصل هشتادم: استفاده از RNN و LSTM برای تحلیل احساسات
• 81. فصل هشتاد و یکم: معماری‌های Attention در مدل‌های تحلیلی
• 82. فصل هشتاد و دوم: مهندسی ویژگی برای تحلیل احساسات در داده‌های چندوجهی (Multimodal)
• 83. فصل هشتاد و سوم: ترکیب متن، تصویر و صدا
• 84. فصل هشتاد و چهارم: ارزیابی مدل‌های تحلیل احساسات
• 85. فصل هشتاد و پنجم: معیارهای دقت، بازیابی و F1-score
• 86. فصل هشتاد و ششم: ماتریس درهم‌ریختگی (Confusion Matrix)
• 87. فصل هشتاد و هفتم: تحلیل خطای مدل‌ها
• 88. فصل هشتاد و هشتم: overfitting و underfitting و راه‌های مقابله
• 89. فصل هشتاد و نهم: اعتبارسنجی متقابل (Cross-validation)
• 90. فصل نودم: بهترین شیوه‌ها در مهندسی ویژگی
• 91. فصل نود و یکم: تکرارپذیری و قابلیت نگهداری مهندسی ویژگی
• 92. فصل نود و دوم: ابزارها و کتابخانه‌های مفید (مانند NLTK, spaCy, scikit-learn)
• 93. فصل نود و سوم: ابزارهای پردازش زبان طبیعی فارسی
• 94. فصل نود و چهارم: case study: تحلیل احساسات در بررسی محصولات
• 95. فصل نود و پنجم: case study: تحلیل احساسات در شبکه‌های خبری
• 96. فصل نود و ششم: case study: تحلیل احساسات در نظرات کاربران
• 97. فصل نود و هفتم: روندهای آینده در مهندسی ویژگی تحلیل احساسات
• 98. فصل نود و هشتم: هوش مصنوعی مولد و تأثیر آن بر مهندسی ویژگی
• 99. فصل نود و نهم: اخلاق در تحلیل احساسات و مهندسی ویژگی
• 100. فصل صدم: نتیجه‌گیری و گام‌های بعدی