کتاب صوتی تحلیل پیشرفته متن با پایتون: راهی به سوی کشف دانش

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل پیشرفته متن با پایتون: راهی به سوی کشف دانش

موضوع کلی: اتوماسیون با پایتون

موضوع میانی: اتوماسیون در حوزه کشف دانش

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر تحلیل متن با پایتون
• 2. فصل ۲: نصب و راه‌اندازی محیط توسعه پایتون
• 3. فصل ۳: ساختار داده‌های کلیدی در پایتون برای متن
• 4. فصل ۴: مبانی پردازش زبان طبیعی (NLP)
• 5. فصل ۵: کتابخانه‌های اصلی NLP در پایتون
• 6. فصل ۶: پاکسازی و پیش‌پردازش متن
• 7. فصل ۷: توکنیزاسیون و نرمال‌سازی متن
• 8. فصل ۸: حذف کلمات توقف (Stop Words)
• 9. فصل ۹: ریشه‌یابی (Stemming) و لماتی‌زاسیون (Lemmatization)
• 10. فصل ۱۰: نمایش متنی: Bag-of-Words
• 11. فصل ۱۱: نمایش متنی: TF-IDF
• 12. فصل ۱۲: نمایش متنی: Word Embeddings (Word2Vec, GloVe)
• 13. فصل ۱۳: مدل‌های زبانی آماری
• 14. فصل ۱۴: مدل‌های زبانی مبتنی بر شبکه‌های عصبی
• 15. فصل ۱۵: معماری‌های شبکه‌های عصبی برای NLP
• 16. فصل ۱۶: شبکه‌های عصبی بازگشتی (RNN)
• 17. فصل ۱۷: شبکه‌های حافظه کوتاه-بلند مدت (LSTM)
• 18. فصل ۱۸: شبکه‌های حافظه بلند-بلند مدت (GRU)
• 19. فصل ۱۹: معماری ترنسفورمر (Transformer)
• 20. فصل ۲۰: مدل‌های ترنسفورمر پیش‌آموزش‌دیده (BERT, GPT)
• 21. فصل ۲۱: تنظیم دقیق (Fine-tuning) مدل‌های پیش‌آموزش‌دیده
• 22. فصل ۲۲: طبقه‌بندی متن
• 23. فصل ۲۳: تحلیل احساسات (Sentiment Analysis)
• 24. فصل ۲۴: شناسایی موضوع (Topic Modeling)
• 25. فصل ۲۵: مدل‌های موضوعی پنهان (LDA)
• 26. فصل ۲۶: استخراج اطلاعات
• 27. فصل ۲۷: شناسایی موجودیت نام‌گذاری شده (NER)
• 28. فصل ۲۸: استخراج روابط (Relation Extraction)
• 29. فصل ۲۹: خلاصه‌سازی متن
• 30. فصل ۳۰: خلاصه‌سازی استخراجی (Extractive Summarization)
• 31. فصل ۳۱: خلاصه‌سازی انتزاعی (Abstractive Summarization)
• 32. فصل ۳۲: پرسش و پاسخ (Question Answering)
• 33. فصل ۳۳: سیستم‌های توصیه‌گر مبتنی بر متن
• 34. فصل ۳۴: خوشه‌بندی اسناد (Document Clustering)
• 35. فصل ۳۵: شباهت سند و بازیابی اطلاعات
• 36. فصل ۳۶: پردازش زبان طبیعی برای زبان فارسی
• 37. فصل ۳۷: چالش‌های پردازش زبان فارسی
• 38. فصل ۳۸: ابزارها و کتابخانه‌های فارسی NLP
• 39. فصل ۳۹: ساخت مجموعه داده برای فارسی
• 40. فصل ۴۰: ارزیابی مدل‌های NLP
• 41. فصل ۴۱: معیارهای ارزیابی طبقه‌بندی
• 42. فصل ۴۲: معیارهای ارزیابی استخراج اطلاعات
• 43. فصل ۴۳: معیارهای ارزیابی خلاصه‌سازی
• 44. فصل ۴۴: تکنیک‌های مهندسی ویژگی
• 45. فصل ۴۵: ترکیب مدل‌ها (Ensemble Methods)
• 46. فصل ۴۶: یادگیری تقویتی در NLP
• 47. فصل ۴۷: پردازش زبان طبیعی برای داده‌های جریانی
• 48. فصل ۴۸: امنیت و حریم خصوصی در NLP
• 49. فصل ۴۹: اخلاق در هوش مصنوعی و NLP
• 50. فصل ۵۰: مقدمه‌ای بر شبکه‌های مولد تخاصمی (GAN) در NLP
• 51. فصل ۵۱: کاربرد GAN در تولید متن
• 52. فصل ۵۲: مقدمه‌ای بر پردازش تصویر و متن (Vision-Language)
• 53. فصل ۵۳: مدل‌های چندوجهی (Multimodal Models)
• 54. فصل ۵۴: توضیحات مدل‌های NLP (Explainable AI)
• 55. فصل ۵۵: بهینه‌سازی و مقیاس‌پذیری مدل‌ها
• 56. فصل ۵۶: پردازش زبان طبیعی توزیع‌شده
• 57. فصل ۵۷: پردازش زبان طبیعی بر روی دستگاه‌های لبه (Edge AI)
• 58. فصل ۵۸: مقدمه‌ای بر یادگیری انتقالی (Transfer Learning)
• 59. فصل ۵۹: پیاده‌سازی Word2Vec با Gensim
• 60. فصل ۶۰: پیاده‌سازی GloVe با Gensim
• 61. فصل ۶۱: پیاده‌سازی FastText
• 62. فصل ۶۲: مقدمه‌ای بر کتابخانه spaCy
• 63. فصل ۶۳: پردازش متن با spaCy
• 64. فصل ۶۴: مدل‌های پیش‌آموزش‌دیده در spaCy
• 65. فصل ۶۵: مقدمه‌ای بر کتابخانه NLTK
• 66. فصل ۶۶: کاربردهای NLTK در NLP
• 67. فصل ۶۷: پردازش متن با NLTK
• 68. فصل ۶۸: مقدمه‌ای بر کتابخانه Transformers (Hugging Face)
• 69. فصل ۶۹: استفاده از مدل‌های BERT با Transformers
• 70. فصل ۷۰: استفاده از مدل‌های GPT با Transformers
• 71. فصل ۷۱: تنظیم دقیق BERT برای طبقه‌بندی متن
• 72. فصل ۷۲: تنظیم دقیق GPT برای تولید متن
• 73. فصل ۷۳: کاربرد تحلیل احساسات با کتابخانه‌های پایتون
• 74. فصل ۷۴: ساخت مدل تحلیل احساسات سفارشی
• 75. فصل ۷۵: پیاده‌سازی LDA با Gensim
• 76. فصل ۷۶: تفسیر نتایج LDA
• 77. فصل ۷۷: استخراج موجودیت نام‌گذاری شده با spaCy
• 78. فصل ۷۸: استخراج موجودیت نام‌گذاری شده با NLTK
• 79. فصل ۷۹: ساخت مدل NER سفارشی
• 80. فصل ۸۰: تکنیک‌های استخراج رابطه
• 81. فصل ۸۱: پیاده‌سازی خلاصه‌سازی با NLTK
• 82. فصل ۸۲: پیاده‌سازی خلاصه‌سازی با Sumy
• 83. فصل ۸۳: مدل‌های خلاصه‌سازی مبتنی بر ترنسفورمر
• 84. فصل ۸۴: پرسش و پاسخ با مدل‌های ترنسفورمر
• 85. فصل ۸۵: ساخت سیستم پرسش و پاسخ ساده
• 86. فصل ۸۶: مقدمه‌ای بر ساخت مجموعه داده
• 87. فصل ۸۷: برچسب‌گذاری داده‌ها برای NLP
• 88. فصل ۸۸: اعتبارسنجی متقاطع (Cross-validation)
• 89. فصل ۸۹: نمایش بصری نتایج NLP
• 90. فصل ۹۰: نمودارهای Bag-of-Words
• 91. فصل ۹۱: نمایش توزیع TF-IDF
• 92. فصل ۹۲: بصری‌سازی Word Embeddings
• 93. فصل ۹۳: مقدمه‌ای بر اخلاق داده در NLP
• 94. فصل ۹۴: سوگیری در مدل‌های NLP
• 95. فصل ۹۵: کاهش سوگیری در مدل‌ها
• 96. فصل ۹۶: مقدمه‌ای بر یادگیری مداوم (Continual Learning)
• 97. فصل ۹۷: کاربردهای پیشرفته NLP در صنعت
• 98. فصل ۹۸: چالش‌های تولید متن واقعی
• 99. فصل ۹۹: آینده تحلیل متن با پایتون
• 100. فصل ۱۰۰: پروژه‌های عملی و گام‌های بعدی