فلش‌کارت‌های آموزشی طراحی و پیاده‌سازی راه‌حل‌های استخراج اطلاعات با هوش مصنوعی در بستر ابری Azure

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و پیاده‌سازی راه‌حل‌های استخراج اطلاعات با هوش مصنوعی در بستر ابری Azure

موضوع کلی: هوش مصنوعی و پردازش داده

موضوع میانی: استخراج اطلاعات با هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مقدمه ای بر هوش مصنوعی و پردازش داده
• 2. مبانی یادگیری ماشین برای استخراج اطلاعات
• 3. انواع روش های استخراج اطلاعات
• 4. مفاهیم کلیدی در پردازش زبان طبیعی (NLP)
• 5. پیش پردازش متن برای استخراج اطلاعات
• 6. توکن سازی و نرمال سازی متن
• 7. ریشه یابی و حذف کلمات توقف
• 8. شناسایی موجودیت های نامدار (NER)
• 9. روش های مبتنی بر قوانین برای NER
• 10. روش های آماری برای NER
• 11. شبکه های عصبی برای NER
• 12. مدل های ترنسفورمر در NLP
• 13. استخراج رابطه بین موجودیت ها
• 14. انواع روابط قابل استخراج
• 15. روش های مبتنی بر الگو برای استخراج رابطه
• 16. روش های مبتنی بر یادگیری ماشین برای استخراج رابطه
• 17. مدل های مبتنی بر گراف برای استخراج رابطه
• 18. استخراج رویداد
• 19. شناسایی و طبقه بندی رویدادها
• 20. استخراج شرکت کنندگان در رویداد
• 21. استخراج زمان و مکان رویداد
• 22. خلاصه سازی متن
• 23. روش های مبتنی بر استخراج برای خلاصه سازی
• 24. روش های مبتنی بر تولید برای خلاصه سازی
• 25. ارزیابی کیفیت خلاصه سازی
• 26. پرسش و پاسخ (QA)
• 27. انواع سیستم های پرسش و پاسخ
• 28. روش های مبتنی بر بازیابی برای QA
• 29. روش های مبتنی بر تولید برای QA
• 30. سیستم های پرسش و پاسخ مبتنی بر دانش
• 31. مقدمه ای بر Azure برای راهکارهای هوش مصنوعی
• 32. سرویس Azure Cognitive Services
• 33. Azure Text Analytics
• 34. تشخیص زبان در Azure
• 35. استخراج عبارات کلیدی در Azure
• 36. تحلیل احساسات در Azure
• 37. شناسایی موجودیت های نامدار در Azure
• 38. Azure Language Understanding (LUIS)
• 39. طراحی مدل های LUIS
• 40. آموزش و ارزیابی مدل های LUIS
• 41. استقرار مدل های LUIS
• 42. Azure Speech Services
• 43. تبدیل گفتار به متن
• 44. تبدیل متن به گفتار
• 45. ترجمه گفتار
• 46. Azure Form Recognizer
• 47. استخراج داده از فرم ها و اسناد
• 48. تشخیص جداول و لیست ها در Azure
• 49. استخراج داده های ساختاریافته از اسناد
• 50. Azure Machine Learning Studio
• 51. ایجاد پایپلاین های یادگیری ماشین
• 52. آموزش مدل های سفارشی
• 53. استقرار مدل های سفارشی
• 54. مدیریت چرخه عمر مدل در Azure
• 55. استفاده از Azure Databricks برای پردازش داده
• 56. Apache Spark در Azure Databricks
• 57. پردازش داده های بزرگ برای استخراج اطلاعات
• 58. بهینه سازی عملکرد پردازش داده
• 59. امنیت داده ها در Azure
• 60. مدیریت دسترسی و احراز هویت
• 61. حفاظت از داده ها در برابر دسترسی غیرمجاز
• 62. اصول حاکمیت داده در Azure
• 63. ملاحظات اخلاقی در هوش مصنوعی
• 64. استخراج اطلاعات با رعایت اصول اخلاقی
• 65. شفافیت و توضیح پذیری در مدل های هوش مصنوعی
• 66. سوگیری در داده ها و مدل ها
• 67. کاهش سوگیری در فرآیندهای استخراج اطلاعات
• 68. حریم خصوصی داده ها در استخراج اطلاعات
• 69. کاربرد استخراج اطلاعات در کسب و کار
• 70. بهبود فرآیندهای سازمانی با استخراج اطلاعات
• 71. اتوماسیون وظایف تکراری
• 72. افزایش بهره وری با هوش مصنوعی
• 73. تجزیه و تحلیل داده های مشتری
• 74. شخصی سازی تجربه کاربری
• 75. مدیریت دانش سازمانی
• 76. کشف اطلاعات پنهان در اسناد
• 77. مقدمه ای بر معماری راهکارهای استخراج اطلاعات در Azure
• 78. طراحی سیستم های مقیاس پذیر
• 79. انتخاب سرویس های مناسب Azure
• 80. ادغام سرویس های مختلف Azure
• 81. مانیتورینگ و بهینه سازی عملکرد راهکارها
• 82. عیب یابی در راهکارهای استخراج اطلاعات
• 83. مستندسازی راهکارها
• 84. مطالعات موردی در استخراج اطلاعات با Azure
• 85. پیاده سازی سیستم پرسش و پاسخ سازمانی
• 86. استخراج اطلاعات از شبکه های اجتماعی
• 87. تحلیل اخبار و رسانه ها
• 88. استخراج اطلاعات از گزارش های مالی
• 89. استخراج اطلاعات از مدارک پزشکی
• 90. کاربرد در حوزه حقوقی
• 91. کاربرد در حوزه آموزش
• 92. آینده استخراج اطلاعات با هوش مصنوعی
• 93. روندهای جدید در NLP
• 94. هوش مصنوعی مولد برای استخراج اطلاعات
• 95. یادگیری تقویتی در استخراج اطلاعات
• 96. تکنیک های پیشرفته پردازش زبان طبیعی
• 97. پردازش زبان طبیعی چندزبانه
• 98. مدل های زبانی بزرگ (LLMs) و کاربرد آن ها
• 99. سفارشی سازی LLMs برای وظایف استخراج اطلاعات
• 100. ملاحظات پیاده سازی LLMs در Azure