×
ribbon

آموزش مدل‌های توالی و پردازش زبان طبیعی

مدل‌های توالی در کاربردهایی که به تجزیه‌وتحلیل داده‌های ورودی به‌عنوان یک جریان هم‌بسته مداوم احتیاج دارد، نقشی اساسی ایفا می‌کند. این مقادیر می‌توانند داده‌های سری زمانی باشند که تقاضای یک محصول را در یک بازه ... ادامه

ارائه دهنده:  مکتب‌خونه  مکتب‌خونه
مدرس دوره:
 89% (234 رای)
سطح: مقدماتی
 پلاس
  
زمان مورد نیاز برای گذارندن دوره:  31 ساعت
مجموع محتوای آموزشی:  6 ساعت ویدئو - 24 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  4 هفته
  
حد نصاب قبولی در دوره:  75 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام course-feature   زیرنویس فارسی

پیش‌نیاز‌ها

سرفصل‌های دوره آموزش مدل‌های توالی و پردازش زبان طبیعی

فصل اول: شبکه عصبی متناوب (Recurrent)

در فصل اول از آموزش رایگان مدل‌های توالی درباره شبکه‌های عصبی بازگشتی خواهید آموخت. ثابت شده است که این نوع از مدل عملکرد بسیار خوبی در داده‌های زمانی دارد.

انواع مختلفی از این مدل‌ها وجود دارد که در این فصل با آن آشنا خواهید شد. حافظه طولانی کوتاه‌مدت (LSTM)، واحد بازگشتی گیتی (GRU) و شبکه‌های عصبی بازگشتی (RNN)های دو جهته از جمله انواعی هستند که در این فصل به آن‌ها اشاره می‌شود.

  چرا مدل‌های ترتیبی
"03:10  
  علامت‌گذاری‌ها (Notation)
"09:25  
  مدل‌های بازگشتی شبکه عصبی (RNN)
"16:41  
  Backpropagation در طول زمان
"06:21  
  انواع مختلف Recurrent neural network (RNN)
"09:43  
  مدل زبانی و تولید دنباله
"12:11  
  نمونه برداری از دنباله‌های بدیع (novel sequences)
"08:48  
  Vanishing gradients with RNNs
"06:38  
  Gated Recurrent Unit (GRU)
"17:16  
  Long Short Term Memory (LSTM)
"10:03  
  RNNهای دوطرفه (Bidirectional)
"08:29  
  RNNهای عمیق
"05:26  
  آزمون فصل اول
 29.4%    
"10:00  
  پروژه اول: Building a Recurrent Neural Network (الزامی)
 23.5%    
"180:00  
  پروژه دوم: Dinosaur Island (الزامی)
 23.5%    
"180:00  
  پروژه سوم: Jazz improvisation with LSTM (الزامی)
 23.5%    
"180:00  
فصل دوم: پردازش زبان طبیعی (NLP) و جاسازی کلمات (Word Embeddings)

از مهم‌ترین مباحث مطرح در آموزش پردازش زبان طبیعی آشنایی با پردازش آن (NLP) است. پردازش زبان طبیعی با یادگیری عمیق یک ترکیب مهم به شمار می‌رود.

با استفاده از نمایش‌های برداری کلمه و لایه‌های تعبیه شده (embedding) شما می‌توانید شبکه‌های عصبی بازگشتی را با عملکردهای برجسته در طیف گسترده‌ای از صنایع آموزش دهید. تجزیه و تحلیل احساس، تشخیص موجودیت نامیده شده و ترجمه ماشینی نمونه‌هایی از کاربردهای پردازش زبان طبیعی هستند.

  نمایش کلمه
"10:17  
  استفاده از word embeddings
"09:32  
  ویژگی‌های word embeddings
"12:04  
  Embedding matrix
"06:07  
  یادگیری word embeddings
"10:18  
  Word2Vec
"12:57  
  نمونه‌برداری منفی (Negative Sampling)
"12:03  
  GloVe word vectors
"11:18  
  طبقه‌بندی احساسات (Sentiment Classification)
"07:47  
  تعبیه مغرضانه کلمات (Debiasing word embeddings)
"11:18  
  آزمون فصل دوم
 33.3%    
"09:00  
  پروژه چهارم: Emojify (الزامی)
 33.3%    
"180:00  
  پروژه پنجم: Word Vector Representation (الزامی)
 33.3%    
"240:00  
فصل سوم: مدل های توالی (Sequence Model) و مکانیسم توجه (Attention mechanism)

مدل‌های توالی را می‌توان با استفاده از مکانیسم توجه کامل کرد. این الگوریتم به مدل شما کمک می‌کند تا با استفاده از توالی ورودی‌ها تشخیص دهد که توجه خود را کجا متمرکز کند. همچنین در این فصل با تشخیص گفتار و چگونگی کار با داده‌های صوتی آشنا خواهید شد.

جستجوی پرتو یکی از مهم‌ترین مباحثی است که در این فصل به آن پرداخته می‌شود. شما نه‌تنها با این مدل آشنا می‌شوید بلکه چگونگی اصلاحات و تجزیه‌وتحلیل خطا را هم در جستجوی پرتو می‌آموزید. 

  مدل‌های پایه
"06:28  
  انتخاب محتمل‌ترین جمله
"09:06  
  beam search
"12:04  
  اصلاحات برای beam search
"11:10  
  آنالیز خطا در beam search
"09:53  
  امتیاز Bleu
"16:36  
  نگاهی بر مدل توجه (Attention)
"09:51  
  مدل توجه (Attention)
"12:32  
  شناسایی صوت
"09:03  
  Trigger Word Detection
"05:13  
  آزمون فصل سوم
 27.8%    
"09:00  
  پروژه ششم: Machine Translation (الزامی)
 36.1%    
"240:00  
  پروژه هفتم: Trigger word detection (الزامی)
 36.1%    
"240:00  
فصل چهارم: Transformers
  مقدمه‌ای بر شبکه Transformer
"05:39  
  Self-Attention
"11:53  
  Multi-Head Attention
"08:30  
  شبکه‌ی Transformer
"13:20  
  نتیجه‌گیری و تشکر
"02:54  

ویژگی‌های دوره

گواهی‌نامه مکتب‌خونه گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

مشاهده نمونه گواهینامه

ویژگی‌های دوره

خدمات منتورینگ خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

ویژگی‌های دوره

پروژه محور پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

ویژگی‌های دوره

تمرین و آزمون تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

ویژگی‌های دوره

تالار گفتگو تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

ویژگی‌های دوره

تسهیل استخدام تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد.

بررسی فرصت‌های شغلی

ویژگی‌های دوره

زیرنویس فارسی زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

درباره دوره

مدل‌های توالی در کاربردهایی که به تجزیه‌وتحلیل داده‌های ورودی به‌عنوان یک جریان هم‌بسته مداوم احتیاج دارد، نقشی اساسی ایفا می‌کند. این مقادیر می‌توانند داده‌های سری زمانی باشند که تقاضای یک محصول را در یک بازه زمانی خاص پیش‌بینی می‌کنند. کاربرد دیگر مدل‌های توالی می‌تواند در پیش‌بینی متن باشد. سیستم بر اساس توالی آخرین عبارت و مجموعه‌ای از شرایط و قوانین از قبل بارگذاری شده، قادر است کلمه بعدی را پیش‌بینی کند.

یکی از انواع شبکه‌ها که در تشخیص گفتار، پردازش زبان طبیعی (NLP) و پردازش داده‌های متوالی استفاده می‌شود، شبکه عصبی بازگشتی یا RNN نام دارد. با فراگیری آموزش مدل‌های توالی به‌عنوان بخشی از RNN کسب‌وکارها می‌توانند عملیات خود را تقویت کنند و تصمیم‌گیری‌هایشان را بهبود بخشند.

در این دوره از آموزش مدل‌های توالی و آموزش پردازش زبان شما با مدل‌های NLP و اپلیکیشن‌های جذابشان مانند تشخیص گفتار، ترکیب موسیقی، چت‌بات‌ها، ترجمه ماشینی، درک زبان طبیعی و تکامل الگوریتم‌های توالی آشنا خواهید شد.

 

هدف از یادگیری دوره آموزش مدل‌ های توالی و پردازش زبان طبیعی چیست؟

آموزش sequence model، دومین دوره از مجموعه تخصص یادگیری عمیق اندرو می‌باشد. هدف از این دوره، این است که شما بتوانید با شبکه‌های عصبی بازگشتی (RNN) و انواع رایج‌تر آن مانند GRU و LSTM کار کنید. با استفاده از این مدل‌ها می‌توانید پردازش زبان طبیعی و Word Embedding را یاد بگیرید. 

 

دوره آموزش مدل‌‌های توالی و پردازش زبان طبیعی مناسب چه کسانی است؟

  • دانشجویان و فارغ‌التحصیلان مهندسی کامپیوتر و هوش مصنوعی
  • کسانی که به ساخت اپلیکیشن‌های کاربردی با استفاده از یادگیری عمیق علاقه‌مندند.
  • مهندسانی که نمی‌خواهند از دنیای تکنولوژی عقب بمانند.

 

بعد از فراگیری دوره آموزش مدل‌‌های تربیتی (sequence model) و پردازش زبان طبیعی چه مهارت‌هایی کسب خواهید کرد؟

پس از فراگیری آموزش مدل‌های ترتیبی شاهد ارتقاء مهارت‌های زیر در خود خواهید بود:

  • پردازش زبان طبیعی (NLP)
  • حافظه طولانی کوتاه‌مدت (LSTM)
  • واحد بازگشتی گیتی (GRU)
  • شبکه عصبی بازگشتی (RNN)
  • مدل‌های توجه 

 

درباره استاد

maktabkhooneh-teacher Andrew Ng

اندرو انگ استاد دانشکده علوم کامپیوتر دانشگاه استنفورد و سرپرست آزمایشگاه هوش مصنوعی استنفورد است. وی هم چنین بنیان‌گذار کورسرا (coursera.org) است و بر اساس گزارش تکنولوژی دانشگاه ام ای تی یکی از 35 مخترع برتر جوان دنیا است.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه‌های پژوهش او هوش مصنوعی و علوم رباتیک است.

مشاهده پروفایل و دوره‌‌های استاد

نظرات کاربران  ( نظر)

صفحه 1 از
جواد مختاری 1401-03-31
دانشجوی دوره
این دوره رو توصیه نمی‌کنم. چون زیرنویس‌های دوره اصلا به صورت تخصصی ترجمه نشده‌اند و برای یادگیری مناسب نیستند. زیرنویسی با این سطح ترجمه به صورت رایگان با ابزارهای دیگه در دسترس هست که میشه استفاده کرد یا دیدن دوره به زبان اصلی به نظر مفیدتر خواهد بود.

دوره‌های پیشنهادی

سوالات پرتکرار

آیا ممکن است که درسی ناقص ضبط شده باشد؟
ما همواره تلاش کرده­‌ایم که دروس را به طور کامل ضبط نماییم و در اختیار شما دوستان قرار دهیم. اما گاهی برخی ناهماهنگی ها سبب می شود که یک یا تعدادی از جلسات یک درس ضبط نشود. توضیح این گونه نواقص در توضیح درس­ ها آمده است.

سوالات پرتکرار

اگر لینک دانلود یا پخش ویدئو مشکل داشت چه باید کرد؟
در صورتی که با هر گونه مشکلی رو به رو شدید می توانید از طریق صفحه ارتباط با ما به ما اطلاع دهید تا ما سریعا مشکل را پیگیری و برطرف نماییم.

سوالات پرتکرار

آیا امکان دریافت فیلم های یک درس به صورت سی دی یا دی وی دی وجود دارد؟
در حال حاضر امکان ارسال دروس به صورت سی دی یا دی وی دی وجود ندارد.

پیش‌نیازهای لازم برای فراگیری دوره آموزش مدل‌های توالی (sequence model) و پردازش زبان طبیعی 

درک مباحث مطرح شده در دوره آموزش مدل‌های توالی مستلزم این است که شما پیش‌نیازهای آن را گذرانده باشید. بدین منظور باید به مهارت‌های زیر مسلط باشید یا قبل از شروع دوره آن‌ها را کسب کنید:

  • مهارت‌های پایتون مانند آشنایی با اصول اولیه برنامه‌نویسی، درک حلقه‌های for، دستورات if/else، ساختار داده‌ها
  • درک اساسی جبر خطی و یادگیری ماشین (ML)

سرفصل‌های دوره آموزش مدل‌ های توالی (sequence model) و پردازش زبان طبیعی چیست؟

در دوره آموزش مدل‌های توالی ابتدا با این مدل‌ها و دلیل استفاده از آن‌ها آشنا می‌شوید. سپس شبکه‌های عصبی بازگشتی، انواع مختلف آن‌ها و کاربردهایشان را یاد می‌گیرید. در ادامه دوره شما آموزش پردازش زبان طبیعی را فرا خواهید گرفت که با کمک آن می‌توانید به تجزیه‌وتحلیل احساس، ترجمه ماشینی و غیره بپردازید. مدل‌های توالی، مکانیسم توجه و جستجوی پرتو از دیگر مباحث مهم در دوره آموزش مدل‌های توالی است که آن را فرامی‌گیرید.

صفحات پربازدید
poster
  
برگزار کننده:  مکتب‌خونه
  
زمان مورد نیاز برای گذارندن دوره:  31 ساعت
مجموع محتوای آموزشی:  6 ساعت ویدئو - 24 ساعت تمرین و پروژه
 (قابل دانلود می‌باشد)
مهلت دوره:  4 هفته
  
حد نصاب قبولی در دوره:  75 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد. 
organization-pic  گواهینامه این دوره توسط مکتب‌خونه ارائه می‌شود.
course-feature   گواهی‌نامه مکتب‌خونه course-feature   خدمات منتورینگ course-feature   پروژه محور course-feature   تمرین و آزمون course-feature   تالار گفتگو course-feature   تسهیل استخدام course-feature   زیرنویس فارسی