00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به تمام جلسات دوره
  • دسترسی به تمام جلسات دوره
  • عضویت در تالار گفت‌وگوی دوره
  • اضافه شدن دوره به پروفایل
زیرنویس اختصاصی
  • دسترسی به زیرنویس اختصاصی
  • تمام قابلیت‌‌های پلن رایگان
    +
  • دسترسی به زیرنویس اختصاصی
59,000 تومان
امکان پرداخت ارزی ‎
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
  • زیرنویس فارسی
189,000 تومان
امکان پرداخت ارزی ‎
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
مکتب‌خونه مکتب‌خونه

آموزش مدل‌های توالی و پردازش زبان طبیعی

دوره‌های مکتب‌پلاس
31 ساعت
90٪ (111 رای)

ویدیوهای زبان اصلی دوره به صورت رایگان هستند اما برای دسترسی به زیرنویس فارسی ویدیوها می توانید محتوای دوره را خریداری کنید.

 

کاربرد دوره 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 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 

 

سرفصل‌های دوره آموزش مدل‌های توالی و پردازش زبان طبیعی

فصل اول: شبکه عصبی متناوب (Recurrent)
11:04 ساعت
01:54
Combined Shape Created with Sketch. 16 جلسه
بارم:
34%
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
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)
08:52 ساعت
01:43
Combined Shape Created with Sketch. 13 جلسه
بارم:
30%
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
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)
09:50 ساعت
01:41
Combined Shape Created with Sketch. 13 جلسه
بارم:
36%
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
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
00:42 ساعت
00:42
Combined Shape Created with Sketch. 5 جلسه
بارم:
0%
نمایش جلسات فصل  

تالار گفت‌وگو

استاد دوره
Andrew Ng Andrew Ng

اندرو ان جی 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 هست.
او دکتری خود را از دانشگاه کالیفرنیا برکلی گرفته و زمینه‌های پژوهش او هوش مصنوعی و علوم رباتیک است.

اطلاعات بیشتر
درباره گواهینامه
مکتب‌خونه مکتب‌خونه
حد نصاب قبولی در دوره:
75.0 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

پیش‌نیاز‌های دوره آموزش مدل‌های توالی و پردازش زبان طبیعی

آموزش شبکه عصبی و یادگیری عمیق
اطلاعات بیشتر
آموزش یادگیری ماشین
اطلاعات بیشتر

ویژگی‌های دوره آموزش مدل‌های توالی و پردازش زبان طبیعی

Combined Shape1 Created with Sketch. 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

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.

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.

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.

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.

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. 

 

مشاهده اطلاعات بیشتر

زیرنویس فارسی

این دوره دارای زیرنویس اختصاصی است.

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 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.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: شبکه عصبی متناوب (Recurrent)
11:04 ساعت
01:54
Combined Shape Created with Sketch. 16 جلسه
بارم:
34%
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
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)
08:52 ساعت
01:43
Combined Shape Created with Sketch. 13 جلسه
بارم:
30%
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
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)
09:50 ساعت
01:41
Combined Shape Created with Sketch. 13 جلسه
بارم:
36%
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
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
00:42 ساعت
00:42
Combined Shape Created with Sketch. 5 جلسه
بارم:
0%
نمایش جلسات فصل