کتاب صوتی ساخت مدل‌های هوش مصنوعی برای تحلیل احساسات: راهنمای گام به گام

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت مدل‌های هوش مصنوعی برای تحلیل احساسات: راهنمای گام به گام

موضوع کلی: برنامه‌نویسی کامپیوترهای شخصی

موضوع میانی: AI in Sentiment Analysis

📋 سرفصل‌های دوره

• 1. مقدمه: هوش مصنوعی و تحلیل احساسات
• 2. فصل ۱: مبانی تحلیل احساسات
• 3. فصل ۲: چرا تحلیل احساسات مهم است؟
• 4. فصل ۳: تاریخچه تحلیل احساسات
• 5. فصل ۴: کاربردهای تحلیل احساسات
• 6. فصل ۵: انواع تحلیل احساسات
• 7. فصل ۶: چالش‌های تحلیل احساسات
• 8. فصل ۷: گام اول: تعریف مسئله
• 9. فصل ۸: جمع‌آوری داده‌های متنی
• 10. فصل ۹: منابع داده برای تحلیل احساسات
• 11. فصل ۱۰: حجم داده و تنوع
• 12. فصل ۱۱: پیش‌پردازش داده‌ها
• 13. فصل ۱۲: پاکسازی متن
• 14. فصل ۱۳: حذف نویز و کاراکترهای اضافی
• 15. فصل ۱۴: نرمال‌سازی متن
• 16. فصل ۱۵: تبدیل حروف بزرگ به کوچک
• 17. فصل ۱۶: حذف کلمات توقف (Stop Words)
• 18. فصل ۱۷: ریشه‌یابی کلمات (Stemming)
• 19. فصل ۱۸: لماتیزاسیون (Lemmatization)
• 20. فصل ۱۹: توکن‌سازی (Tokenization)
• 21. فصل ۲۰: ایجاد بردارهای متنی
• 22. فصل ۲۱: روش‌های Bag-of-Words
• 23. فصل ۲۲: TF-IDF
• 24. فصل ۲۳: Word Embeddings
• 25. فصل ۲۴: Word2Vec
• 26. فصل ۲۵: GloVe
• 27. فصل ۲۶: FastText
• 28. فصل ۲۷: مدل‌های زبانی پیشرفته
• 29. فصل ۲۸: انتخاب مدل تحلیل احساسات
• 30. فصل ۲۹: مدل‌های مبتنی بر قانون
• 31. فصل ۳۰: دیکشنری‌های احساسات
• 32. فصل ۳۱: مدل‌های مبتنی بر یادگیری ماشین
• 33. فصل ۳۲: رگرسیون لجستیک
• 34. فصل ۳۳: ماشین بردار پشتیبان (SVM)
• 35. فصل ۳۴: نایو بیز (Naive Bayes)
• 36. فصل ۳۵: درخت تصمیم و جنگل تصادفی
• 37. فصل ۳۶: شبکه‌های عصبی
• 38. فصل ۳۷: شبکه‌های عصبی کانولوشنال (CNN)
• 39. فصل ۳۸: شبکه‌های عصبی بازگشتی (RNN)
• 40. فصل ۳۹: شبکه‌های حافظه بلند-کوتاه مدت (LSTM)
• 41. فصل ۴۰: شبکه‌های واحد بازگشتی دروازه‌ای (GRU)
• 42. فصل ۴۱: ترنسفورمرها (Transformers)
• 43. فصل ۴۲: مدل‌های از پیش آموزش‌دیده
• 44. فصل ۴۳: BERT
• 45. فصل ۴۴: GPT
• 46. فصل ۴۵: RoBERTa
• 47. فصل ۴۶: XLNet
• 48. فصل ۴۷: انتخاب معماری مدل
• 49. فصل ۴۸: تقسیم داده‌ها: آموزش، اعتبارسنجی، آزمون
• 50. فصل ۴۹: تعیین نسبت تقسیم داده‌ها
• 51. فصل ۵۰: جلوگیری از بیش‌برازش (Overfitting)
• 52. فصل ۵۱: تنظیم ابرپارامترها (Hyperparameter Tuning)
• 53. فصل ۵۲: روش‌های جستجو برای ابرپارامترها
• 54. فصل ۵۳: بهینه‌سازی گرادیان کاهشی (Gradient Descent)
• 55. فصل ۵۴: نرخ یادگیری (Learning Rate)
• 56. فصل ۵۵: اندازه بچ (Batch Size)
• 57. فصل ۵۶: تعداد دوره‌های آموزشی (Epochs)
• 58. فصل ۵۷: تابع زیان (Loss Function)
• 59. فصل ۵۸: بهینه‌سازها (Optimizers)
• 60. فصل ۵۹: معیارهای ارزیابی مدل
• 61. فصل ۶۰: دقت (Accuracy)
• 62. فصل ۶۱: صحت (Precision)
• 63. فصل ۶۲: بازیابی (Recall)
• 64. فصل ۶۳: امتیاز F1
• 65. فصل ۶۴: ماتریس درهم‌ریختگی (Confusion Matrix)
• 66. فصل ۶۵: منحنی ROC و AUC
• 67. فصل ۶۶: آموزش مدل
• 68. فصل ۶۷: اجرای فرآیند آموزش
• 69. فصل ۶۸: نظارت بر فرآیند آموزش
• 70. فصل ۶۹: مشکلات رایج در آموزش
• 71. فصل ۷۰: ارزیابی مدل نهایی
• 72. فصل ۷۱: تفسیر نتایج ارزیابی
• 73. فصل ۷۲: مقایسه با مدل‌های پایه
• 74. فصل ۷۳: تحلیل خطاها
• 75. فصل ۷۴: خوشه‌بندی احساسات
• 76. فصل ۷۵: تحلیل احساسات در داده‌های چندزبانه
• 77. فصل ۷۶: ابزارها و کتابخانه‌های رایج
• 78. فصل ۷۷: NLTK
• 79. فصل ۷۸: SpaCy
• 80. فصل ۷۹: Scikit-learn
• 81. فصل ۸۰: TensorFlow
• 82. فصل ۸۱: PyTorch
• 83. فصل ۸۲: Hugging Face Transformers
• 84. فصل ۸۳: موارد استفاده پیشرفته
• 85. فصل ۸۴: تحلیل احساسات در شبکه‌های اجتماعی
• 86. فصل ۸۵: تحلیل احساسات در بازخورد مشتریان
• 87. فصل ۸۶: تحلیل احساسات در اخبار و رسانه‌ها
• 88. فصل ۸۷: تشخیص سوبجکتیویته (Subjectivity Detection)
• 89. فصل ۸۸: تشخیص جنبه‌های احساسات (Aspect-Based Sentiment Analysis)
• 90. فصل ۸۹: مدل‌های تخصصی برای حوزه‌های خاص
• 91. فصل ۹۰: تحلیل احساسات در داده‌های صوتی و تصویری
• 92. فصل ۹۱: ملاحظات اخلاقی در تحلیل احساسات
• 93. فصل ۹۲: حریم خصوصی و امنیت داده‌ها
• 94. فصل ۹۳: تعصب در داده‌ها و مدل‌ها
• 95. فصل ۹۴: سوگیری‌های شناختی
• 96. فصل ۹۵: پیش‌بینی و جهت‌دهی احساسات
• 97. فصل ۹۶: ساخت داشبوردهای تحلیل احساسات
• 98. فصل ۹۷: پیاده‌سازی مدل در عمل
• 99. فصل ۹۸: مقیاس‌پذیری و عملکرد
• 100. فصل ۹۹: آینده تحلیل احساسات با هوش مصنوعی