فلش‌کارت‌های آموزشی درک و تولید زبان انسان با پایتون

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب درک و تولید زبان انسان با پایتون

موضوع کلی: پردازش زبان طبیعی (NLP)

موضوع میانی: مبانی و کاربردهای NLP

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه‌ای بر پردازش زبان انسان
• 2. مبانی پردازش زبان انسان
• 3. چرا پردازش زبان انسان مهم است؟
• 4. کاربردهای پردازش زبان انسان
• 5. نصب و راه‌اندازی محیط پایتون
• 6. نصب کتابخانه‌های کلیدی (NLTK, SpaCy, Scikit-learn)
• 7. آشنایی با ساختارهای داده متنی
• 8. توکن‌سازی (Tokenization)
• 9. انواع توکن‌سازی (کلمه، جمله)
• 10. پاکسازی متن (Text Cleaning)
• 11. حذف علائم نگارشی
• 12. حذف اعداد
• 13. حذف کلمات توقف (Stop Words)
• 14. ریشه‌یابی (Stemming)
• 15. لمتایزاسیون (Lemmatization)
• 16. مقایسه ریشه‌یابی و لمتایزاسیون
• 17. پردازش زبانی با NLTK
• 18. کار با corpora در NLTK
• 19. دسترسی به corpora از پیش تعریف شده
• 20. دانلود corpora
• 21. پردازش متن با NLTK
• 22. تقسیم‌بندی جملات
• 23. توکن‌سازی کلمات
• 24. برچسب‌گذاری اجزای کلام (POS Tagging)
• 25. انواع برچسب‌های POS
• 26. استفاده از Taggers در NLTK
• 27. تشخیص اسامی خاص (Named Entity Recognition - NER)
• 28. انواع موجودیت‌های نام‌گذاری شده
• 29. استفاده از NER در NLTK
• 30. پردازش زبانی با SpaCy
• 31. معماری SpaCy
• 32. بارگذاری مدل‌های زبانی SpaCy
• 33. پردازش متن با SpaCy
• 34. توکن‌سازی در SpaCy
• 35. برچسب‌گذاری POS در SpaCy
• 36. تشخیص موجودیت‌های نام‌گذاری شده در SpaCy
• 37. وابستگی‌های نحوی (Syntactic Dependencies)
• 38. رسم نمودار وابستگی
• 39. کار با بردارهای کلمات (Word Embeddings)
• 40. مفهوم بردارهای کلمات
• 41. چرا بردارهای کلمات مفید هستند؟
• 42. Word2Vec
• 43. CBOW و Skip-gram
• 44. آموزش مدل Word2Vec
• 45. استفاده از بردارهای از پیش آموزش دیده
• 46. GloVe
• 47. FastText
• 48. کار با بردارهای کلمات در پایتون
• 49. استفاده از Gensim برای Word2Vec
• 50. استفاده از SpaCy برای بردارهای کلمات
• 51. شباهت معنایی بین کلمات
• 52. کار با بردارهای جملات
• 53. مفاهیم اساسی مدل‌سازی موضوعی (Topic Modeling)
• 54. Latent Semantic Analysis (LSA)
• 55. Latent Dirichlet Allocation (LDA)
• 56. پیاده‌سازی LDA با Scikit-learn
• 57. تفسیر نتایج LDA
• 58. کاربرد مدل‌سازی موضوعی
• 59. دسته‌بندی متن (Text Classification)
• 60. مبانی دسته‌بندی متن
• 61. ویژگی‌های متنی (Text Features)
• 62. Bag-of-Words (BoW)
• 63. TF-IDF (Term Frequency-Inverse Document Frequency)
• 64. پیاده‌سازی TF-IDF با Scikit-learn
• 65. الگوریتم‌های دسته‌بندی متن
• 66. Naive Bayes
• 67. Support Vector Machines (SVM)
• 68. رگرسیون لجستیک (Logistic Regression)
• 69. آموزش مدل دسته‌بندی متن
• 70. ارزیابی مدل‌های دسته‌بندی متن
• 71. دقت (Accuracy)
• 72. دقت (Precision) و بازیابی (Recall)
• 73. امتیاز F1 (F1-Score)
• 74. ماتریس درهم‌ریختگی (Confusion Matrix)
• 75. تنظیم پارامترهای مدل (Hyperparameter Tuning)
• 76. پیش‌پردازش برای دسته‌بندی متن
• 77. کار با داده‌های متنی واقعی
• 78. تحلیل احساسات (Sentiment Analysis)
• 79. مبانی تحلیل احساسات
• 80. روش‌های مبتنی بر واژه‌نامه (Lexicon-based)
• 81. روش‌های مبتنی بر یادگیری ماشین
• 82. آموزش مدل تحلیل احساسات
• 83. ارزیابی مدل‌های تحلیل احساسات
• 84. ابزارهای تحلیل احساسات (VADER)
• 85. پردازش مکالمات (Dialogue Systems)
• 86. مبانی سیستم‌های مکالمه‌ای
• 87. انواع سیستم‌های مکالمه‌ای
• 88. طراحی یک سیستم مکالمه‌ای ساده
• 89. پردازش سوالات (Question Answering)
• 90. مبانی سیستم‌های پرسش و پاسخ
• 91. انواع سیستم‌های پرسش و پاسخ
• 92. معماری سیستم‌های پرسش و پاسخ
• 93. مدل‌های پیشرفته برای پردازش زبان انسان
• 94. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNN)
• 95. شبکه‌های حافظه طولانی کوتاه مدت (LSTM)
• 96. واحدهای بازگشتی دروازه‌دار (GRU)
• 97. شبکه‌های کانولوشنال (Convolutional Neural Networks - CNN) برای متن
• 98. ترنسفورمرها (Transformers)
• 99. مکانیسم توجه (Attention Mechanism)
• 100. مدل‌های ترنسفورمر (BERT, GPT)