00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به کل جلسات ویدیویی از دوره
  • دسترسی به کل جلسات ویدیویی از دوره
  • اضافه شدن دوره به پروفایل
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD

آموزش رایگان مدل‌های توالی و پردازش زبان طبیعی

دوره‌های رایگان
33 جلسه

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

آموزش رایگان 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 رایگان مدل‌ های 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 رایگان مدل‌ های تربیتی (sequence model) و پردازش زبان طبیعی چه مهارت‌هایی کسب خواهید کرد؟

پس از فراگیری آموزش رایگان 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 

 

سرفصل‌های دوره آموزش رایگان مدل‌های توالی و پردازش زبان طبیعی

فصل اول: شبکه عصبی متناوب (Recurrent)
01:54 ساعت
01:54
Combined Shape Created with Sketch. 12 جلسه
نمایش جلسات فصل  

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
فصل دوم: پردازش زبان طبیعی (NLP) و جاسازی کلمات (Word Embeddings)
01:43 ساعت
01:43
Combined Shape Created with Sketch. 10 جلسه
نمایش جلسات فصل  

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
فصل سوم: مدل های توالی (Sequence Model) و مکانیسم توجه (Attention mechanism)
01:44 ساعت
01:44
Combined Shape Created with Sketch. 11 جلسه
نمایش جلسات فصل  

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
نتیجه‌گیری و تشکر
"02:54
استاد دوره
Andrew Ng

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

اطلاعات بیشتر

پیش‌نیاز‌های دوره آموزش رایگان مدل‌های توالی و پردازش زبان طبیعی

آموزش رایگان شبکه عصبی و یادگیری عمیق (Andrew Ng)
اطلاعات بیشتر
آموزش رایگان یادگیری ماشین (Andrew NG)
اطلاعات بیشتر

نظرات 

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.

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.
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.
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.

اطلاعات بیشتر

پیش‌نیازهای لازم برای فراگیری دوره رایگان 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 رایگان آموزش مدل‌ های توالی (sequence model) و پردازش زبان طبیعی چیست؟

در دوره آموزش رایگان 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.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: شبکه عصبی متناوب (Recurrent)
01:54 ساعت
01:54
Combined Shape Created with Sketch. 12 جلسه
نمایش جلسات فصل  

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
فصل دوم: پردازش زبان طبیعی (NLP) و جاسازی کلمات (Word Embeddings)
01:43 ساعت
01:43
Combined Shape Created with Sketch. 10 جلسه
نمایش جلسات فصل  

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
فصل سوم: مدل های توالی (Sequence Model) و مکانیسم توجه (Attention mechanism)
01:44 ساعت
01:44
Combined Shape Created with Sketch. 11 جلسه
نمایش جلسات فصل  

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
نتیجه‌گیری و تشکر
"02:54