کتاب صوتی مبانی کار با داده‌های متنی در Google AI Platform (Vertex AI)

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مبانی کار با داده‌های متنی در Google AI Platform (Vertex AI)

موضوع کلی: هوش مصنوعی و مدل‌های زبانی بزرگ

موضوع میانی: Google AI Platform (Vertex AI)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش زبان طبیعی و هوش مصنوعی
• 2. آشنایی با Google Cloud Platform و Vertex AI
• 3. نصب و راه‌اندازی محیط توسعه Vertex AI
• 4. مفاهیم کلیدی در کار با داده‌های متنی
• 5. انواع داده‌های متنی و چالش‌های آن‌ها
• 6. پیش‌پردازش متون: پاک‌سازی و نرمال‌سازی
• 7. توکن‌سازی و حذف کلمات توقف (Stopwords)
• 8. ریشه‌یابی (Stemming) و بن‌واژه‌سازی (Lemmatization)
• 9. تبدیل متن به نمایش عددی: Bag-of-Words
• 10. مدل‌سازی موضوعی (Topic Modeling) با LDA
• 11. نمایش متنی با TF-IDF
• 12. یادگیری بازنمایی کلمات: Word Embeddings
• 13. مفاهیم Word2Vec و GloVe
• 14. نحوه استفاده از مدل‌های از پیش آموزش‌دیده Embeddings
• 15. شبکه‌های عصبی بازگشتی (RNNs) برای متن
• 16. حافظه طولانی کوتاه مدت (LSTM)
• 17. واحد بازگشتی دروازه‌ای (GRU)
• 18. شبکه‌های عصبی کانولوشنال (CNNs) برای متن
• 19. معماری ترنسفورمر (Transformer)
• 20. مکانیزم توجه (Attention Mechanism)
• 21. مدل‌های زبانی بزرگ (LLMs)
• 22. آشنایی با مدل‌های مبتنی بر ترنسفورمر
• 23. BERT: Bidirectional Encoder Representations from Transformers
• 24. کاربرد BERT در وظایف مختلف NLP
• 25. Fine-tuning مدل‌های BERT برای وظایف سفارشی
• 26. GPT: Generative Pre-trained Transformer
• 27. مفاهیم تولید متن با GPT
• 28. کاربرد GPT در خلاصه‌سازی و تولید محتوا
• 29. استفاده از Vertex AI برای آموزش مدل‌های NLP
• 30. تنظیمات پروژه در Vertex AI
• 31. مدیریت داده‌ها در Vertex AI Datasets
• 32. ایجاد مجموعه داده متنی در Vertex AI
• 33. آموزش مدل‌های سفارشی با Vertex AI Training
• 34. استفاده از Notebooks در Vertex AI Workbench
• 35. تنظیمات محیط Jupyter در Vertex AI
• 36. انتخاب ماشین‌های آموزشی مناسب
• 37. مدیریت پارامترهای آموزش
• 38. نظارت بر فرآیند آموزش
• 39. ارزیابی عملکرد مدل‌های NLP
• 40. معیارهای ارزیابی متداول (Accuracy, Precision, Recall, F1-Score)
• 41. معیارهای ارزیابی برای وظایف تولید متن
• 42. تنظیمات ارزیابی در Vertex AI
• 43. استقرار مدل‌های NLP در Vertex AI Endpoints
• 44. نحوه ایجاد Endpoint برای مدل
• 45. مدیریت نسخه‌های مدل
• 46. ارسال درخواست به Endpoint و دریافت پیش‌بینی
• 47. ملاحظات امنیتی در استقرار مدل
• 48. استفاده از APIهای Vertex AI برای دسترسی به مدل
• 49. پردازش دسته‌ای (Batch Prediction)
• 50. کاربرد پردازش دسته‌ای برای داده‌های متنی بزرگ
• 51. مفاهیم یادگیری تقویتی (Reinforcement Learning) در NLP
• 52. کاربرد یادگیری تقویتی در بهینه‌سازی مدل‌های زبانی
• 53. مبانی یادگیری بدون نظارت (Unsupervised Learning) در NLP
• 54. خوشه‌بندی متون
• 55. شناسایی موجودیت‌های نام‌دار (Named Entity Recognition - NER)
• 56. تگ‌گذاری اجزای کلام (Part-of-Speech Tagging - POS)
• 57. تحلیل احساسات (Sentiment Analysis)
• 58. طبقه‌بندی متون (Text Classification)
• 59. فیلترینگ محتوا و شناسایی اسپم
• 60. ترجمه ماشینی (Machine Translation)
• 61. تولید خودکار متن (Automatic Text Generation)
• 62. خلاصه‌سازی متن (Text Summarization)
• 63. سیستم‌های پرسش و پاسخ (Question Answering Systems)
• 64. ساخت چت‌بات‌ها و دستیارهای مجازی
• 65. بهینه‌سازی موتورهای جستجو با NLP
• 66. کاربرد NLP در تحلیل شبکه‌های اجتماعی
• 67. تحلیل اخبار و گزارش‌های خبری
• 68. پردازش اسناد حقوقی و پزشکی
• 69. استفاده از مدل‌های زبان چندزبانه
• 70. ملاحظات اخلاقی در هوش مصنوعی و NLP
• 71. حریم خصوصی و امنیت داده‌های متنی
• 72. سوگیری در مدل‌های زبانی و راه‌های مقابله
• 73. تفسیرپذیری (Interpretability) مدل‌های NLP
• 74. آینده پردازش زبان طبیعی
• 75. آخرین روندها و پیشرفت‌ها در حوزه NLP
• 76. کاربرد ابزارهای متن‌باز در کنار Vertex AI
• 77. آشنایی با کتابخانه‌های پرکاربرد Python برای NLP (NLTK, SpaCy, Transformers)
• 78. نکات پیشرفته در پیش‌پردازش متن
• 79. تکنیک‌های پیشرفته برای Word Embeddings
• 80. مدل‌های ترنسفورمر پیشرفته (XLNet, RoBERTa)
• 81. تنظیمات پیشرفته برای Fine-tuning مدل‌ها
• 82. معیارهای ارزیابی تخصصی برای وظایف NLP
• 83. بهینه‌سازی عملکرد مدل در زمان استنتاج
• 84. مدیریت هزینه‌ها در استفاده از Vertex AI
• 85. برنامه‌ریزی منابع محاسباتی برای پروژه‌های NLP
• 86. نکات کلیدی برای موفقیت در پروژه‌های NLP
• 87. جمع‌بندی و گام‌های بعدی در یادگیری NLP