فلش‌کارت‌های آموزشی شبکه‌های عصبی کانولوشنال (CNN) در پردازش زبان طبیعی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب شبکه‌های عصبی کانولوشنال (CNN) در پردازش زبان طبیعی

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: مدل‌های زبانی مبتنی بر شبکه‌های عصبی

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه ای بر پردازش زبان طبیعی
• 2. مقدمه ای بر یادگیری عمیق
• 3. مقدمه ای بر شبکه های عصبی
• 4. مقدمه ای بر شبکه های عصبی کانولوشنال (CNN)
• 5. اجزای اصلی CNN
• 6. لایه کانولوشن
• 7. فیلترها (کرنل ها)
• 8. مفهوم Feature Map
• 9. عملکرد کانولوشن
• 10. لایه‌های فعال‌سازی (Activation Layers)
• 11. تابع فعال‌سازی ReLU
• 12. توابع فعال‌سازی دیگر
• 13. لایه‌های Pooling
• 14. Max Pooling
• 15. Average Pooling
• 16. کاربرد Pooling در کاهش ابعاد
• 17. لایه‌های Fully Connected (FC)
• 18. تابع Softmax
• 19. شبکه های عصبی عمیق (DNN)
• 20. تفاوت CNN با DNN
• 21. کاربرد CNN در بینایی ماشین
• 22. چرا CNN برای زبان طبیعی؟
• 23. تفاوت داده های متنی و تصویری
• 24. مفاهیم پایه در NLP
• 25. توکن‌سازی (Tokenization)
• 26. حذف کلمات توقف (Stop Words Removal)
• 27. ریشه‌یابی (Stemming)
• 28. لمتایزیشن (Lemmatization)
• 29. بردارسازی (Vectorization)
• 30. Bag-of-Words (BoW)
• 31. TF-IDF
• 32. Word Embeddings
• 33. Word2Vec
• 34. GloVe
• 35. FastText
• 36. مقدمه ای بر CNN در NLP
• 37. ساختار CNN برای متن
• 38. لایه کانولوشن در متن
• 39. فیلترهای ۱ بعدی (1D Filters)
• 40. عرض پنجره (Window Size)
• 41. Feature Maps در متن
• 42. لایه‌های Pooling در متن
• 43. Max Pooling روی Feature Maps
• 44. Max Pooling سراسری (Global Max Pooling)
• 45. لایه‌های Fully Connected در CNN های NLP
• 46. معماری CNN برای طبقه بندی متن
• 47. مثال: طبقه بندی احساسات
• 48. مثال: طبقه بندی موضوعی
• 49. مثال: تشخیص اسپم
• 50. تکنیک های تنظیم (Regularization)
• 51. Dropout
• 52. L1/L2 Regularization
• 53. Batch Normalization
• 54. آموزش CNN ها
• 55. تابع هزینه (Loss Function)
• 56. Cross-Entropy Loss
• 57. بهینه سازها (Optimizers)
• 58. Adam
• 59. RMSprop
• 60. نرخ یادگیری (Learning Rate)
• 61. تنظیمات Hyperparameter
• 62. اعتبارسنجی متقابل (Cross-Validation)
• 63. ارزیابی مدل های NLP
• 64. معیارهای ارزیابی
• 65. Accuracy
• 66. Precision
• 67. Recall
• 68. F1-Score
• 69. Confusion Matrix
• 70. کاربرد CNN در سوالات متداول (QA)
• 71. کاربرد CNN در ترجمه ماشینی
• 72. کاربرد CNN در تولید متن
• 73. کاربرد CNN در استخراج اطلاعات
• 74. کاربرد CNN در تشخیص موجودیت نامگذاری شده (NER)
• 75. کاربرد CNN در تجزیه و تحلیل نحوی (Parsing)
• 76. کاربرد CNN در تشخیص ناهنجاری (Anomaly Detection)
• 77. کاربرد CNN در خلاصه سازی متن
• 78. کاربرد CNN در تشخیص سرقت ادبی (Plagiarism Detection)
• 79. کاربرد CNN در شناسایی زبان (Language Identification)
• 80. کاربرد CNN در تشخیص نویسنده (Author Identification)
• 81. مزایای CNN در NLP
• 82. توانایی استخراج ویژگی های محلی
• 83. قابلیت یادگیری الگوهای چند مقیاسی
• 84. کارایی محاسباتی
• 85. محدودیت های CNN در NLP
• 86. عدم حساسیت به ترتیب کلمات در برخی معماری ها
• 87. نیاز به داده های آموزشی زیاد
• 88. پیچیدگی در مدل های بزرگ
• 89. مقایسه CNN با RNN (Recurrent Neural Networks)
• 90. مقایسه CNN با LSTM (Long Short-Term Memory)
• 91. مقایسه CNN با Transformers
• 92. CNN و مدل های هیبریدی
• 93. ترکیب CNN با RNN
• 94. ترکیب CNN با LSTM
• 95. ترکیب CNN با Attention Mechanism
• 96. پیاده سازی CNN برای NLP با TensorFlow
• 97. پیاده سازی CNN برای NLP با PyTorch
• 98. کتابخانه Keras برای CNN در NLP
• 99. مراحل پیاده سازی یک مدل CNN برای NLP
• 100. آماده سازی داده ها