دوره تحلیل داده‌های متنی با استفاده از LLMs همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب تحلیل داده‌های متنی با استفاده از LLMs

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: تعامل انسان و ماشین با LLMs (Human-AI Interaction)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر تحلیل داده های متنی
• 2. مقدمه ای بر مدل های زبان بزرگ (LLMs)
• 3. کاربرد LLMs در تحلیل داده های متنی
• 4. مراحل کلی تحلیل داده های متنی با LLMs
• 5. جمع آوری داده های متنی
• 6. پیش پردازش داده های متنی
• 7. پاکسازی متن
• 8. حذف نویز
• 9. حذف علائم نگارشی
• 10. تبدیل به حروف کوچک
• 11. توکن سازی (Tokenization)
• 12. انواع توکن سازها
• 13. توکن سازی بر اساس کلمات
• 14. توکن سازی بر اساس کاراکتر
• 15. توکن سازی بر اساس زیرکلمات (Subword Tokenization)
• 16. مفهوم استمینگ (Stemming)
• 17. الگوریتم های استمینگ
• 18. مفهوم لماتیزاسیون (Lemmatization)
• 19. تفاوت استمینگ و لماتیزاسیون
• 20. حذف کلمات توقف (Stop Word Removal)
• 21. مدل های زبان بزرگ (LLMs)
• 22. مقدمه ای بر یادگیری عمیق
• 23. شبکه های عصبی بازگشتی (RNNs)
• 24. شبکه های حافظه کوتاه مدت طولانی (LSTMs)
• 25. واحد های بازگشتی دروازه دار (GRUs)
• 26. شبکه های عصبی کانولوشنی (CNNs)
• 27. مفهوم مدل های ترنسفورمر (Transformer Models)
• 28. معماری ترنسفورمر
• 29. مکانیزم توجه (Attention Mechanism)
• 30. توجه خودی (Self-Attention)
• 31. توجه چند سر (Multi-Head Attention)
• 32. مدل های ترنسفورمر از پیش آموزش دیده
• 33. BERT
• 34. GPT (Generative Pre-trained Transformer)
• 35. RoBERTa
• 36. XLNet
• 37. مفهوم جاسازی کلمات (Word Embeddings)
• 38. Word2Vec
• 39. GloVe
• 40. FastText
• 41. جاسازی های متنی (Contextual Embeddings)
• 42. جاسازی های ترنسفورمر
• 43. کاربرد LLMs در وظایف تحلیل متنی
• 44. طبقه بندی متن (Text Classification)
• 45. تشخیص احساسات (Sentiment Analysis)
• 46. تشخیص موضوع (Topic Modeling)
• 47. استخراج اطلاعات (Information Extraction)
• 48. پاسخ به سوال (Question Answering)
• 49. خلاصه سازی متن (Text Summarization)
• 50. ترجمه ماشینی (Machine Translation)
• 51. تولید متن (Text Generation)
• 52. بررسی شباهت متنی (Text Similarity)
• 53. تشخیص موجودیت های نامگذاری شده (Named Entity Recognition - NER)
• 54. برچسب گذاری اجزای کلام (Part-of-Speech Tagging - POS)
• 55. تحلیل گرامری (Syntactic Parsing)
• 56. تحلیل معنایی (Semantic Parsing)
• 57. ابزارها و فریمورک ها برای LLMs
• 58. TensorFlow
• 59. PyTorch
• 60. Hugging Face Transformers
• 61. SpaCy
• 62. NLTK
• 63. آموزش و تنظیم دقیق (Fine-tuning) LLMs
• 64. انتخاب مدل مناسب
• 65. آماده سازی داده ها برای Fine-tuning
• 66. تنظیم هایپرپارامترها
• 67. روش های Fine-tuning
• 68. Fine-tuning کامل
• 69. Fine-tuning پارامترهای کارآمد (PEFT)
• 70. LoRA
• 71. Adapter Tuning
• 72. Prompt Tuning
• 73. ارزیابی مدل های LLM
• 74. معیارهای ارزیابی طبقه بندی متن
• 75. دقت (Accuracy)
• 76. دقت (Precision)
• 77. بازیابی (Recall)
• 78. امتیاز F1
• 79. معیارهای ارزیابی استخراج اطلاعات
• 80. معیارهای ارزیابی پاسخ به سوال
• 81. معیارهای ارزیابی خلاصه سازی متن
• 82. ROUGE
• 83. BLEU
• 84. معیارهای ارزیابی ترجمه ماشینی
• 85. چالش ها و محدودیت های LLMs
• 86. سوگیری در LLMs (Bias)
• 87. تفسیری بودن (Interpretability)
• 88. هزینه محاسباتی
• 89. نیاز به داده های بزرگ
• 90. امنیت و حریم خصوصی
• 91. اخلاقیات در استفاده از LLMs
• 92. کاربردهای پیشرفته LLMs در تحلیل متنی
• 93. تحلیل متن در مقیاس بزرگ
• 94. تحلیل متن در زمان واقعی
• 95. تحلیل متن چند زبانه
• 96. تحلیل متن برای داده های خاص دامنه (Domain-Specific Text)
• 97. تحلیل متن در حوزه پزشکی
• 98. تحلیل متن در حوزه حقوقی
• 99. تحلیل متن در حوزه مالی
• 100. تحلیل متن در حوزه رسانه های اجتماعی