کتاب صوتی پیاده‌سازی شبکه‌های LSTM برای پردازش متن

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پیاده‌سازی شبکه‌های LSTM برای پردازش متن

موضوع کلی: برنامه‌نویسی کامپیوترهای شخصی

موضوع میانی: Recurrent Neural Networks (RNNs)

📋 سرفصل‌های دوره

• 1. فصل ۱: مقدمه‌ای بر شبکه‌های عصبی بازگشتی
• 2. فصل ۲: مفاهیم اساسی یادگیری عمیق
• 3. فصل ۳: شبکه‌های عصبی زمانی
• 4. فصل ۴: مشکل محوشدگی گرادیان
• 5. فصل ۵: معرفی شبکه‌های LSTM
• 6. فصل ۶: ساختار سلول حافظه LSTM
• 7. فصل ۷: گیت ورودی (Input Gate)
• 8. فصل ۸: گیت فراموشی (Forget Gate)
• 9. فصل ۹: گیت خروجی (Output Gate)
• 10. فصل ۱۰: گیت‌های LSTM و محاسبات آن‌ها
• 11. فصل ۱۱: پیاده‌سازی LSTM در پایتون
• 12. فصل ۱۲: چارچوب‌های یادگیری عمیق (TensorFlow, Keras)
• 13. فصل ۱۳: نصب و پیکربندی Keras
• 14. فصل ۱۴: ساخت یک مدل LSTM ساده
• 15. فصل ۱۵: داده‌های متنی برای پردازش
• 16. فصل ۱۶: پیش‌پردازش متن (Tokenization)
• 17. فصل ۱۷: تبدیل متن به اعداد (Encoding)
• 18. فصل ۱۸: کلمات خارج از واژگان (OOV)
• 19. فصل ۱۹: کلمات پرتکرار و کلمات کمیاب
• 20. فصل ۲۰: توالی‌های ورودی و خروجی
• 21. فصل ۲۱: padding و truncation توالی‌ها
• 22. فصل ۲۲: معرفی مجموعه‌های داده متنی
• 23. فصل ۲۳: مجموعه داده IMDB برای تحلیل احساسات
• 24. فصل ۲۴: بارگذاری و آماده‌سازی مجموعه داده IMDB
• 25. فصل ۲۵: ساخت مدل LSTM برای تحلیل احساسات
• 26. فصل ۲۶: آموزش مدل LSTM
• 27. فصل ۲۷: ارزیابی عملکرد مدل (Accuracy)
• 28. فصل ۲۸: overfitting و underfitting
• 29. فصل ۲۹: تنظیمات Hyperparameter
• 30. فصل ۳۰: نرخ یادگیری (Learning Rate)
• 31. فصل ۳۱: اندازه دسته (Batch Size)
• 32. فصل ۳۲: تعداد Epoch ها
• 33. فصل ۳۳: معماری مدل LSTM
• 34. فصل ۳۴: تعداد لایه‌های LSTM
• 35. فصل ۳۵: اندازه واحدهای LSTM
• 36. فصل ۳۶: استفاده از Dropout
• 37. فصل ۳۷: Regularization در LSTM
• 38. فصل ۳۸: بهینه‌سازها (Optimizers)
• 39. فصل ۳۹: Adam Optimizer
• 40. فصل ۴۰: RMSprop Optimizer
• 41. فصل ۴۱: Stochastic Gradient Descent (SGD)
• 42. فصل ۴۲: تابع زیان (Loss Function)
• 43. فصل ۴۳: Binary Crossentropy
• 44. فصل ۴۴: Categorical Crossentropy
• 45. فصل ۴۵: پیش‌بینی با مدل LSTM
• 46. فصل ۴۶: تولید متن با LSTM
• 47. فصل ۴۷: معماری‌های پیچیده‌تر LSTM
• 48. فصل ۴۸: Bidirectional LSTM
• 49. فصل ۴۹: مزایای Bidirectional LSTM
• 50. فصل ۵۰: Stacked LSTM
• 51. فصل ۵۱: مزایای Stacked LSTM
• 52. فصل ۵۲: ترکیب LSTM با لایه‌های دیگر
• 53. فصل ۵۳: لایه‌های Dense
• 54. فصل ۵۴: لایه‌های Embedding
• 55. فصل ۵۵: Word Embeddings (Word2Vec, GloVe)
• 56. فصل ۵۶: استفاده از Embedding Pre-trained
• 57. فصل ۵۷: نرمال‌سازی در لایه‌های LSTM
• 58. فصل ۵۸: Batch Normalization
• 59. فصل ۵۹: Layer Normalization
• 60. فصل ۶۰: مسائل پیشرفته در پردازش متن
• 61. فصل ۶۱: مدل‌سازی زبان (Language Modeling)
• 62. فصل ۶۲: پیش‌بینی کلمه بعدی
• 63. فصل ۶۳: تولید متن منسجم
• 64. فصل ۶۴: تشخیص اسپم (Spam Detection)
• 65. فصل ۶۵: ترجمه ماشینی (Machine Translation)
• 66. فصل ۶۶: معماری Encoder-Decoder
• 67. فصل ۶۷: استفاده از Attention Mechanism
• 68. فصل ۶۸: Attention در ترجمه ماشینی
• 69. فصل ۶۹: خلاصه سازی متن (Text Summarization)
• 70. فصل ۷۰: Question Answering Systems
• 71. فصل ۷۱: Entity Recognition (NER)
• 72. فصل ۷۲: Sentiment Analysis با داده‌های چندکلاسه
• 73. فصل ۷۳: Fine-tuning مدل‌های از پیش آموزش دیده
• 74. فصل ۷۴: معرفی مدل‌های Transformer
• 75. فصل ۷۵: مقایسه LSTM با Transformer
• 76. فصل ۷۶: محدودیت‌های LSTM
• 77. فصل ۷۷: کارایی محاسباتی LSTM
• 78. فصل ۷۸: حافظه مورد نیاز LSTM
• 79. فصل ۷۹: جایگزین‌های LSTM
• 80. فصل ۸۰: Gated Recurrent Unit (GRU)
• 81. فصل ۸۱: ساختار GRU
• 82. فصل ۸۲: مقایسه GRU و LSTM
• 83. فصل ۸۳: پیاده‌سازی GRU در Keras
• 84. فصل ۸۴: زمان‌بندی یادگیری (Learning Rate Scheduling)
• 85. فصل ۸۵: Early Stopping
• 86. فصل ۸۶: تکنیک‌های افزایش داده (Data Augmentation)
• 87. فصل ۸۷: مشکلات داده‌های نامتوازن
• 88. فصل ۸۸: تکنیک‌های مقابله با عدم توازن
• 89. فصل ۸۹: تعاریف کلیدی در یادگیری ماشین
• 90. فصل ۹۰: معیارهای ارزیابی (Precision, Recall, F1-score)
• 91. فصل ۹۱: Confusion Matrix
• 92. فصل ۹۲: Interpreting Model Outputs
• 93. فصل ۹۳: Visualizing Embeddings
• 94. فصل ۹۴: Debugging LSTM Models
• 95. فصل ۹۵: Handling Large Datasets
• 96. فصل ۹۶: Deployment of LSTM Models
• 97. فصل ۹۷: Cloud Platforms for Deployment
• 98. فصل ۹۸: Ethical Considerations in NLP
• 99. فصل ۹۹: Future Trends in Sequence Modeling
• 100. فصل ۱۰۰: جمع‌بندی و مسیرهای آینده