فلش‌کارت‌های آموزشی spaCy: رویکردی مدرن به تحلیل زبان

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب spaCy: رویکردی مدرن به تحلیل زبان

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: کتابخانه‌های NLP (NLTK, spaCy, Hugging Face Transformers)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر spaCy
• 2. چرا spaCy؟
• 3. مزایای spaCy
• 4. مفاهیم کلیدی پردازش زبان طبیعی (NLP)
• 5. تاریخچه NLP
• 6. چالش های NLP
• 7. ابزارهای رایج NLP
• 8. نصب spaCy
• 9. نصب spaCy با pip
• 10. نصب مدل های زبان spaCy
• 11. نصب مدل های زبان فارسی
• 12. استفاده از مدل های زبان
• 13. اولین گام ها با spaCy
• 14. پردازش متن با spaCy
• 15. شیء Doc
• 16. شیء Token
• 17. ویژگی های یک Token
• 18. شناسه های Token
• 19. نوع Token (POS Tagging)
• 20. شناسایی موجودیت های نامدار (NER)
• 21. وابستگی نحوی (Dependency Parsing)
• 22. کلمات کلیدی و عبارات کلیدی
• 23. استخراج اطلاعات
• 24. پردازش اسناد طولانی
• 25. مدیریت حافظه در spaCy
• 26. کارایی spaCy
• 27. بهینه سازی پردازش
• 28. موازی سازی پردازش
• 29. کار با چند زبان
• 30. پشتیبانی از زبان فارسی در spaCy
• 31. تنظیم مدل های زبان
• 32. آموزش مدل های سفارشی
• 33. آموزش POS Tagger
• 34. آموزش NER Tagger
• 35. آموزش Dependency Parser
• 36. آموزش مدل های سفارشی برای فارسی
• 37. تنظیم پارامترهای آموزش
• 38. ارزیابی مدل های آموزش دیده
• 39. متریک های ارزیابی
• 40. تنظیم دقیق (Fine-tuning) مدل های از پیش آموزش دیده
• 41. استفاده از Embeddings
• 42. Word Embeddings
• 43. FastText Embeddings
• 44. GloVe Embeddings
• 45. ترکیب Embeddings با spaCy
• 46. شبکه های عصبی در NLP
• 47. معماری های شبکه عصبی برای NLP
• 48. شبکه های عصبی بازگشتی (RNN)
• 49. شبکه های عصبی کانولوشنال (CNN)
• 50. شبکه های عصبی ترنسفورمر (Transformer)
• 51. استفاده از مدل های ترنسفورمر با spaCy
• 52. BERT و مدل های مشابه
• 53. تنظیم ترنسفورمرها برای وظایف NLP
• 54. کار با متن های بدون ساختار
• 55. استخراج ویژگی های متنی
• 56. TF-IDF
• 57. Bag-of-Words
• 58. N-grams
• 59. کار با متن های ساختاریافته
• 60. JSON و XML
• 61. پایگاه داده ها
• 62. استخراج اطلاعات از وب
• 63. وب اسکرپینگ با spaCy
• 64. پردازش محتوای وب
• 65. کار با احساسات (Sentiment Analysis)
• 66. شناسایی احساسات مثبت، منفی و خنثی
• 67. استخراج عبارات احساسی
• 68. مدل های سفارشی برای تحلیل احساسات
• 69. کار با موضوعات (Topic Modeling)
• 70. شناسایی موضوعات اصلی در مجموعه ای از اسناد
• 71. الگوریتم های Topic Modeling
• 72. استفاده از LDA با spaCy
• 73. کار با سوال و جواب (Question Answering)
• 74. استخراج پاسخ از متن
• 75. مدل های Question Answering
• 76. یکپارچه سازی spaCy با کتابخانه های دیگر
• 77. NLTK
• 78. Scikit-learn
• 79. TensorFlow
• 80. PyTorch
• 81. کار با API ها
• 82. ساخت API برای خدمات NLP
• 83. استقرار مدل های NLP
• 84. مقدمه ای بر استقرار
• 85. Docker و کانتینرسازی
• 86. Kubernetes
• 87. Cloud Platforms (AWS, GCP, Azure)
• 88. کار با داده های بزرگ
• 89. پردازش داده های حجیم
• 90. سیستم های توزیع شده
• 91. Spark و PySpark
• 92. کار با داده های غیرمتنی
• 93. پردازش تصاویر با NLP
• 94. پردازش صدا با NLP
• 95. کار با داده های زمانی
• 96. کار با داده های مکانی
• 97. کار با داده های گراف
• 98. مقدمه ای بر گراف های دانش
• 99. استفاده از spaCy در پروژه های واقعی
• 100. تحلیل نظرات مشتریان