Oreilly – Real-World Natural Language Processing, Video Edition 2021-11

در تاریخ: 1403/09/22 5:35:55

توضیحات

دوره Real-World Natural Language Processing Video Edition. در این دوره ویدیویی، گوینده کتاب را می‌خواند و همزمان محتوا، نمودارها، لیست‌های کد، و متن روی صفحه نمایش داده می‌شود. این دوره مانند یک کتاب صوتی است که می‌توانید به صورت ویدیویی نیز تماشا کنید. پردازش زبان طبیعی در دنیای واقعی به شما آموزش می‌دهد که چگونه بدون غرق شدن در تئوری پیچیده زبان و ریاضیات یادگیری عمیق، کاربردهای عملی پردازش زبان طبیعی بسازید. در این کتاب جذاب، شما ابزارها و تکنیک‌های اصلی مورد نیاز برای ساخت طیف گسترده‌ای از برنامه‌های قدرتمند پردازش زبان طبیعی، از جمله چت‌بات‌ها، تشخیص‌دهنده‌های زبان و طبقه‌بندهای متن را بررسی خواهید کرد.

آموزش کامپیوترها برای تفسیر و تولید گفتار و متن یک چالش بزرگ است و کاهش نیروی کار و بهبود تعامل انسان و کامپیوتر پاداش بزرگی برای آن است! حوزه پردازش زبان طبیعی (NLP) به سرعت در حال پیشرفت است و ابزارها و روش‌های جدید بی‌شمار آن را همراهی می‌کنند. این کتاب منحصر به فرد مجموعه‌ای نوآورانه از تکنیک‌های پردازش زبان طبیعی با کاربردهایی در ترجمه ماشینی، دستیارهای صوتی، تولید متن و موارد دیگر را ارائه می‌دهد.

آنچه فرا خواهید گرفت:

طراحی، توسعه و استقرار کاربردهای مفید پردازش زبان طبیعی
ساخت برچسب‌گذار نام‌های موجودیت
ساخت سیستم‌های ترجمه ماشینی
ساخت سیستم‌های تولید زبان و چت‌بات‌ها
استفاده از مفاهیم پیشرفته پردازش زبان طبیعی مانند توجه و یادگیری انتقال

این دوره مناسب افرادی است که:

برنامه‌نویس پایتون هستند.
نیازی به دانش قبلی در زمینه یادگیری ماشین ندارند.

مشخصات دوره Real-World Natural Language Processing Video Edition

ناشر: Oreilly
مدرس: Masato Hagiwara
سطح آموزش: مبتدی تا پیشرفته
مدت زمان آموزش: 9 ساعت و 47 دقیقه

سرفصل های دوره

Part 1. Basics
Chapter 1. Introduction to natural language processing
Chapter 1. How NLP is used
Chapter 1. Building NLP applications
Chapter 1. Summary
Chapter 2. Your first NLP application
Chapter 2. Working with NLP datasets
Chapter 2. Using word embeddings
Chapter 2. Neural networks
Chapter 2. Loss functions and optimization
Chapter 2. Training your own classifier
Chapter 2. Evaluating your classifier
Chapter 2. Deploying your application
Chapter 2. Summary
Chapter 3. Word and document embeddings
Chapter 3. Building blocks of language: Characters, words, and phrases
Chapter 3. Tokenization, stemming, and lemmatization
Chapter 3. Skip-gram and continuous bag of words (CBOW)
Chapter 3. GloVe
Chapter 3. fastText
Chapter 3. Document-level embeddings
Chapter 3. Visualizing embeddings
Chapter 3. Summary
Chapter 4. Sentence classification
Chapter 4. Long short-term memory units (LSTMs) and gated recurrent units (GRUs)
Chapter 4. Accuracy, precision, recall, and F-measure
Chapter 4. Building AllenNLP training pipelines
Chapter 4. Configuring AllenNLP training pipelines
Chapter 4. Case study: Language detection
Chapter 4. Summary
Chapter 5. Sequential labeling and language modeling
Chapter 5. Building a part-of-speech tagger
Chapter 5. Multilayer and bidirectional RNNs
Chapter 5. Named entity recognition
Chapter 5. Modeling a language
Chapter 5. Text generation using RNNs
Chapter 5. Summary
Part 2. Advanced models
Chapter 6. Sequence-to-sequence models
Chapter 6. Machine translation 101
Chapter 6. Building your first translator
Chapter 6. How Seq2Seq models work
Chapter 6. Evaluating translation systems
Chapter 6. Case study: Building a chatbot
Chapter 6. Summary
Chapter 7. Convolutional neural networks
Chapter 7. Convolutional layers
Chapter 7. Pooling layers
Chapter 7. Case study: Text classification
Chapter 7. Summary
Chapter 8. Attention and Transformer
Chapter 8. Sequence-to-sequence with attention
Chapter 8. Transformer and self-attention
Chapter 8. Transformer-based language models
Chapter 8. Case study: Spell-checker
Chapter 8. Summary
Chapter 9. Transfer learning with pretrained language models
Chapter 9. BERT
Chapter 9. Case study 1: Sentiment analysis with BERT
Chapter 9. Other pretrained language models
Chapter 9. Case study 2: Natural language inference with BERT
Chapter 9. Summary
Part 3. Putting into production
Chapter 10. Best practices in developing NLP applications
Chapter 10. Tokenization for neural models
Chapter 10. Avoiding overfitting
Chapter 10. Dealing with imbalanced datasets
Chapter 10. Hyperparameter tuning
Chapter 10. Summary
Chapter 11. Deploying and serving NLP applications
Chapter 11. Deploying your NLP model
Chapter 11. Case study: Serving and deploying NLP applications
Chapter 11. Interpreting and visualizing model predictions
Chapter 11. Where to go from here
Chapter 11. Summary