دوره ساخت دستیاران هوشمند و سیستم‌های ترجمه با PyTorch همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب ساخت دستیاران هوشمند و سیستم‌های ترجمه با PyTorch

موضوع کلی: پردازش زبان طبیعی با یادگیری عمیق

موضوع میانی: پیاده‌سازی مدل‌های NLP با PyTorch

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر پردازش زبان طبیعی
• 2. مقدمه ای بر PyTorch
• 3. نصب و پیکربندی PyTorch
• 4. مبانی PyTorch: تانسورها
• 5. عملیات تانسور در PyTorch
• 6. مقدمه ای بر شبکه های عصبی
• 7. ساخت اولین شبکه عصبی با PyTorch
• 8. آموزش شبکه عصبی: گرادیان نزولی
• 9. توابع زیان و بهینه سازها
• 10. مقدمه ای بر نمایش کلمات
• 11. کلمات و وکتورها
• 12. مدل های یادگیری نمایش کلمات
• 13. Word2Vec: Skip-gram
• 14. Word2Vec: CBOW
• 15. استفاده از نمایش کلمات از پیش آموزش دیده
• 16. انتقال یادگیری در NLP
• 17. مقدمه ای بر مدل های زبان
• 18. مدل های زبان مبتنی بر N-gram
• 19. مدل های زبان مبتنی بر شبکه عصبی
• 20. شبکه های عصبی بازگشتی (RNN)
• 21. حافظه طولانی کوتاه مدت (LSTM)
• 22. واحد بازگشتی دروازه دار (GRU)
• 23. پیاده سازی RNN با PyTorch
• 24. پیاده سازی LSTM با PyTorch
• 25. پیاده سازی GRU با PyTorch
• 26. ساخت یک مدل زبان ساده
• 27. آموزش مدل زبان
• 28. ارزیابی مدل زبان
• 29. مقدمه ای بر ترجمه ماشینی
• 30. معماری های سنتی ترجمه ماشینی
• 31. ترجمه ماشینی مبتنی بر آمار
• 32. مقدمه ای بر ترجمه ماشینی عصبی (NMT)
• 33. معماری Encoder-Decoder
• 34. پیاده سازی Encoder-Decoder با PyTorch
• 35. مکانیزم توجه (Attention Mechanism)
• 36. پیاده سازی Attention با PyTorch
• 37. ترجمه ماشینی با Attention
• 38. مقدمه ای بر مدل های ترنسفورمر
• 39. معماری ترنسفورمر
• 40. مکانیزم Self-Attention
• 41. پیاده سازی Self-Attention با PyTorch
• 42. لایه های Positional Encoding
• 43. پیاده سازی Positional Encoding با PyTorch
• 44. Encoder ترنسفورمر
• 45. Decoder ترنسفورمر
• 46. پیاده سازی ترنسفورمر با PyTorch
• 47. آموزش مدل ترنسفورمر
• 48. ارزیابی مدل ترنسفورمر
• 49. تنظیم ابرپارامترها
• 50. تنظیم دقیق مدل های ترنسفورمر
• 51. مقدمه ای بر دستیاران هوشمند
• 52. کاربردهای دستیاران هوشمند
• 53. مراحل ساخت دستیار هوشمند
• 54. تشخیص گفتار (Speech Recognition)
• 55. مقدمه ای بر پردازش گفتار
• 56. مدل های تشخیص گفتار
• 57. آموزش مدل تشخیص گفتار
• 58. تولید گفتار (Speech Synthesis)
• 59. مقدمه ای بر تولید گفتار
• 60. مدل های تولید گفتار
• 61. آموزش مدل تولید گفتار
• 62. پردازش زبان طبیعی در دستیاران هوشمند
• 63. تشخیص قصد (Intent Recognition)
• 64. شناسایی موجودیت نامگذاری شده (Named Entity Recognition - NER)
• 65. مدیریت گفتگو (Dialogue Management)
• 66. سیستم های مبتنی بر قانون
• 67. سیستم های مبتنی بر یادگیری ماشین
• 68. پیاده سازی Intent Recognition با PyTorch
• 69. پیاده سازی NER با PyTorch
• 70. پیاده سازی Dialogue Management با PyTorch
• 71. ساخت یک دستیار هوشمند ساده
• 72. ادغام تشخیص گفتار با دستیار هوشمند
• 73. ادغام تولید گفتار با دستیار هوشمند
• 74. ارزیابی عملکرد دستیار هوشمند
• 75. ملاحظات اخلاقی در دستیاران هوشمند
• 76. حریم خصوصی و امنیت
• 77. سوگیری در مدل ها
• 78. مقدمه ای بر تکنیک های پیشرفته NLP
• 79. مدل های زبان از پیش آموزش دیده (Pre-trained Language Models)
• 80. BERT
• 81. تکنیک های Fine-tuning
• 82. Fine-tuning BERT برای وظایف NLP
• 83. Fine-tuning GPT برای وظایف NLP
• 84. ساخت دستیار هوشمند با استفاده از مدل های از پیش آموزش دیده
• 85. سیستم های پرسش و پاسخ (Question Answering Systems)
• 86. معماری های Question Answering
• 87. پیاده سازی Question Answering با PyTorch
• 88. خلاصه سازی متن (Text Summarization)
• 89. معماری های Text Summarization
• 90. پیاده سازی Text Summarization با PyTorch
• 91. تولید متن خلاقانه
• 92. ساخت ربات چت (Chatbot)
• 93. معماری های Chatbot
• 94. پیاده سازی Chatbot با PyTorch
• 95. استفاده از کتابخانه های مفید NLP
• 96. Hugging Face Transformers
• 97. NLTK
• 98. spaCy
• 99. مقدمه ای بر استقرار مدل ها
• 100. ذخیره و بارگذاری مدل های PyTorch