اپلیکیشن اندرویدی فلش‌کارت آموزشی ساخت هوش مصنوعی برای استخراج اطلاعات از اسناد با استفاده از Snorkel Flow

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت هوش مصنوعی برای استخراج اطلاعات از اسناد با استفاده از Snorkel Flow

موضوع کلی: هوش مصنوعی و یادگیری ماشین

موضوع میانی: پردازش و تحلیل داده‌های متنی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین
• 2. مفاهیم پایه در پردازش زبان طبیعی
• 3. مبانی استخراج اطلاعات از متون
• 4. معرفی Snorkel Flow
• 5. نصب و راه‌اندازی Snorkel Flow
• 6. آشنایی با محیط کاربری Snorkel Flow
• 7. مراحل کلی ساخت برنامه هوش مصنوعی برای اسناد
• 8. جمع‌آوری و آماده‌سازی داده‌های متنی
• 9. برچسب‌گذاری دستی داده‌ها
• 10. طراحی توابع احتمالاتی (Labeling Functions)
• 11. تکنیک‌های نوشتن توابع برچسب‌گذاری مؤثر
• 12. مدیریت و ترکیب توابع برچسب‌گذاری
• 13. مدل‌سازی احتمالاتی در Snorkel Flow
• 14. آموزش مدل یادگیری ماشین بر اساس برچسب‌های احتمالاتی
• 15. ارزیابی عملکرد مدل
• 16. بهینه‌سازی مدل و توابع برچسب‌گذاری
• 17. کاربرد Snorkel Flow در حوزه‌های مختلف
• 18. استخراج اطلاعات از فاکتورها و رسیدها
• 19. استخراج اطلاعات از قراردادها
• 20. استخراج اطلاعات از گزارش‌های پزشکی
• 21. استخراج اطلاعات از اسناد حقوقی
• 22. استخراج اطلاعات از رزومه‌ها
• 23. استخراج اطلاعات از مقالات علمی
• 24. مدیریت داده‌های حجیم متنی
• 25. پیش‌پردازش متون برای تحلیل
• 26. حذف نویز و نشانه‌گذاری
• 27. توکن‌سازی و نرمال‌سازی
• 28. ریشه‌یابی و بن‌واژه‌سازی
• 29. حذف کلمات توقف (Stop Words)
• 30. نمایش متون به صورت برداری
• 31. مدل‌های Bag-of-Words
• 32. مدل TF-IDF
• 33. مدل‌های Word Embeddings
• 34. Word2Vec
• 35. GloVe
• 36. FastText
• 37. مبانی مدل‌های زبانی
• 38. مدل‌های آماری زبانی
• 39. مدل‌های مبتنی بر شبکه‌های عصبی
• 40. شبکه‌های عصبی بازگشتی (RNN)
• 41. حافظه طولانی کوتاه‌مدت (LSTM)
• 42. واحد بازگشتی دروازه‌دار (GRU)
• 43. شبکه‌های عصبی کانولوشنال (CNN) برای متن
• 44. مقدمه‌ای بر مدل‌های ترنسفورمر
• 45. مکانیسم توجه (Attention Mechanism)
• 46. مدل‌های BERT
• 47. کاربرد BERT در وظایف NLP
• 48. مدل‌های GPT
• 49. کاربرد GPT در تولید متن
• 50. مبانی یادگیری عمیق برای NLP
• 51. شبکه‌های عصبی عمیق
• 52. تابع فعال‌سازی
• 53. بهینه‌سازی مدل‌های یادگیری عمیق
• 54. تنظیم ابرپارامترها (Hyperparameter Tuning)
• 55. اعتبارسنجی متقابل (Cross-Validation)
• 56. تکنیک‌های منظم‌سازی (Regularization)
• 57. کاهش ابعاد (Dimensionality Reduction)
• 58. تحلیل مؤلفه‌های اصلی (PCA)
• 59. تکنیک t-SNE
• 60. مبانی پردازش و تحلیل داده‌های ساختاریافته
• 61. مقدمه‌ای بر پایگاه‌های داده رابطه‌ای
• 62. مبانی SQL
• 63. اجرای کوئری‌های SQL
• 64. کاربرد پایگاه‌های داده در ذخیره و بازیابی اطلاعات
• 65. مبانی پردازش و تحلیل داده‌های نیمه‌ساختاریافته
• 66. فرمت JSON
• 67. فرمت XML
• 68. کاربرد این فرمت‌ها در تبادل داده
• 69. مبانی تحلیل احساسات (Sentiment Analysis)
• 70. روش‌های تحلیل احساسات مبتنی بر واژگان
• 71. روش‌های تحلیل احساسات مبتنی بر یادگیری ماشین
• 72. کاربرد تحلیل احساسات در کسب‌وکار
• 73. مبانی خلاصه‌سازی متن (Text Summarization)
• 74. روش‌های خلاصه‌سازی استخراجی
• 75. روش‌های خلاصه‌سازی انتزاعی
• 76. ارزیابی کیفیت خلاصه‌سازی
• 77. مبانی تشخیص موجودیت نام‌گذاری شده (Named Entity Recognition - NER)
• 78. روش‌های NER مبتنی بر قوانین
• 79. روش‌های NER مبتنی بر یادگیری ماشین
• 80. کاربرد NER در استخراج اطلاعات
• 81. مبانی طبقه‌بندی متن (Text Classification)
• 82. روش‌های طبقه‌بندی متن مبتنی بر قوانین
• 83. روش‌های طبقه‌بندی متن مبتنی بر یادگیری ماشین
• 84. کاربرد طبقه‌بندی متن در دسته‌بندی اسناد
• 85. مبانی مدل‌سازی موضوعی (Topic Modeling)
• 86. الگوریتم Latent Dirichlet Allocation (LDA)
• 87. تفسیر نتایج مدل‌سازی موضوعی
• 88. کاربرد مدل‌سازی موضوعی در کشف الگوها
• 89. مبانی سیستم‌های توصیه‌گر (Recommender Systems)
• 90. فیلترینگ مبتنی بر محتوا
• 91. فیلترینگ مشارکتی
• 92. ترکیب روش‌ها در سیستم‌های توصیه‌گر
• 93. مبانی پردازش تصویر و ویدئو در هوش مصنوعی
• 94. مقدمه‌ای بر بینایی ماشین
• 95. کاربرد پردازش تصویر در استخراج اطلاعات
• 96. شناسایی الگو در تصاویر
• 97. استخراج ویژگی از تصاویر
• 98. مبانی یادگیری تقویتی (Reinforcement Learning)
• 99. مفهوم عامل (Agent) و محیط (Environment)
• 100. پاداش و جریمه