Udemy – Data Science: Transformers for Natural Language Processing 2025-11

توضیحات

Data Science: Transformers for Natural Language Processing نام دوره اموزشی علم داده: ترانسفورماتورها برای پردازش زبان طبیعی که توسط وب سایت یودمی منتشر شده است.به  دوره اموزشی Data Science: Transformers for Natural Language Processing خوش آمدید. از زمانی که Transformers وارد صحنه شد، یادگیری عمیق یکسان نبوده است. یادگیری ماشینی قادر به تولید متنی است که اساساً از متنی که توسط انسان ایجاد شده است قابل تشخیص نیست ما در بسیاری از کارهای NLP، مانند ترجمه ماشینی، پاسخگویی به سؤال، مستلزم، تشخیص نهادهای نامگذاری شده و موارد دیگر، به عملکردی پیشرفته دست یافته ایم. ما مدل‌های چند وجهی (متن و تصویر) ایجاد کرده‌ایم که می‌توانند هنر شگفت‌انگیزی را تنها با استفاده از یک پیام متنی ایجاد کنند. ما یک مشکل قدیمی در زیست شناسی مولکولی را حل کرده ایم که به نام “پیش بینی ساختار پروتئین” شناخته می شود. در این دوره، مهارت های بسیار کاربردی برای استفاده از ترانسفورماتورها و در صورت تمایل، تئوری دقیق در مورد نحوه کار ترانسفورماتورها و توجه را خواهید آموخت. این با بسیاری از منابع دیگر که فقط اولی را پوشش می دهند متفاوت است. این دوره به 3 بخش اصلی تقسیم می شود:

• استفاده از ترانسفورماتورها
• ترانسفورماتورهای تنظیم دقیق
• ترانسفورماتور در عمق

بخش 1: استفاده از ترانسفورماتورها در این بخش با نحوه استفاده از ترانسفورماتورهایی که برای شما آموزش داده شده است آشنا می شوید. انجام این کار میلیون ها دلار هزینه دارد، بنابراین چیزی نیست که بخواهید خودتان آن را امتحان کنید! خواهیم دید که چگونه می توان از این مدل های از پیش ساخته شده برای مجموعه وسیعی از وظایف استفاده کرد، از جمله: طبقه بندی متن (به عنوان مثال تشخیص هرزنامه، تجزیه و تحلیل احساسات، دسته بندی اسناد) شناسایی موجودیت نامگذاری شده خلاصه سازی متن ترجمه ماشینی پرسش و پاسخ تولید متن (قابل باور). مدل سازی زبان نقاب دار (چرخش مقاله) طبقه بندی شات صفر این در حال حاضر بسیار عملی است. اگر نیاز به تجزیه و تحلیل احساسات، دسته‌بندی اسناد، شناسایی موجودیت، ترجمه، خلاصه‌سازی و غیره بر روی اسناد در محل کار یا برای مشتریان خود دارید – در حال حاضر قدرتمندترین مدل‌های پیشرفته را با تعداد بسیار کمی در اختیار دارید. خطوط کد یکی از شگفت انگیزترین برنامه ها “طبقه بندی صفر شات” است که در آن مشاهده خواهید کرد که یک مدل از پیش آموزش دیده می تواند اسناد شما را حتی بدون هیچ آموزشی دسته بندی کند.

بخش 2: ترانسفورماتورهای تنظیم دقیق در این بخش، نحوه بهبود عملکرد ترانسفورماتورها در مجموعه داده های سفارشی خود را یاد خواهید گرفت. با استفاده از «یادگیری انتقال»، می‌توانید میلیون‌ها دلار آموزشی را که قبلاً برای عملکرد بسیار خوب ترانسفورماتورها صرف شده است، استفاده کنید. خواهید دید که می توانید یک ترانسفورماتور را با کار نسبتا کمی (و هزینه کم) تنظیم دقیق کنید. ما نحوه تنظیم دقیق ترانسفورماتورها را برای عملی ترین وظایف در دنیای واقعی، مانند طبقه بندی متن (تحلیل احساسات، تشخیص هرزنامه)، تشخیص موجودیت، و ترجمه ماشینی پوشش خواهیم داد.

بخش 3: ترانسفورماتورها در عمق در این بخش، نحوه عملکرد ترانسفورماتورها را یاد خواهید گرفت. بخش های قبلی زیبا هستند، اما کمی بیش از حد زیبا هستند. کتابخانه‌ها برای افرادی که فقط می‌خواهند کار را انجام دهند خوب است، اما اگر بخواهید کار جدید یا جالبی انجام دهید، کار نمی‌کنند. بیایید واضح بگوییم: این بسیار عملی است. ممکن است بپرسید چقدر عملی است؟ خوب، اینجا جایی است که پول های کلان است. کسانی که درک عمیقی از این مدل ها دارند و می توانند کارهایی را انجام دهند که هیچ کس قبلاً انجام نداده است، در موقعیتی هستند که دستمزدهای بالاتر و عناوین معتبر را دریافت کنند. یادگیری ماشینی یک زمینه رقابتی است و درک عمیق از نحوه کار کردن چیزها می‌تواند مزیتی باشد که برای برتری به آن نیاز دارید. همچنین نحوه پیاده سازی ترانسفورماتورها را از ابتدا بررسی خواهیم کرد. همانطور که ریچارد فاینمن بزرگ زمانی گفت: “آنچه را که نمی توانم خلق کنم، نمی فهمم”. پیش نیازهای پیشنهادی: مهارت های مناسب کدنویسی پایتون یادگیری عمیق با CNN و RNN مفید است اما لازم نیست یادگیری عمیق با مدل‌های Seq2Seq مفید است اما لازم نیست برای بخش عمیق: درک نظریه پشت CNN، RNN و seq2seq بسیار مفید است. به روز رسانی هایی که باید منتظر آنها باشید: برنامه های کاربردی تنظیم دقیق تر سخنرانی های مفهومی عمیق تر ترانسفورماتورها از ابتدا اجرا می شوند.

این دوره مناسب چه کسانی است :

• هر کسی که می خواهد بر پردازش زبان طبیعی (NLP) مسلط شود
• هر کسی که عاشق یادگیری عمیق است و می خواهد در مورد قوی ترین شبکه عصبی (ترانسفورماتور) بیاموزد.
• هر کسی که می خواهد فراتر از دوره های معمولی فقط مبتدی در Udemy برود

انچه در دوره Data Science: Transformers for Natural Language Processing یاد خواهید گرفت :

• فقط با چند خط کد، ترانسفورماتورها را برای کارهای دنیای واقعی اعمال کنید
• ترانسفورماتورها را بر روی مجموعه داده های خود با یادگیری انتقال تنظیم کنید
• تجزیه و تحلیل احساسات، تشخیص هرزنامه، طبقه بندی متن NER (تشخیص نهاد نام‌گذاری شده)،
• برچسب‌گذاری بخش‌های گفتار
• spinner مقاله خود را برای سئو بسازید
• متنی شبیه انسان باورپذیر تولید کنید
• ترجمه ماشین عصبی و خلاصه سازی متن
• پرسش و پاسخ (به عنوان مثال SQuAD)
• طبقه بندی صفر شات
• توجه به خود و نظریه عمیق ترانسفورماتورها را درک کنید
• ترانسفورماتورها را از ابتدا اجرا کنید
• از ترانسفورماتورها با Tensorflow و PyTorch استفاده کنید
• BERT، GPT، GPT-2 و GPT-3 و اینکه کجا باید آنها را اعمال کنید را بدانید
• معماری رمزگذار، رمزگشا و seq2seq را درک کنید
• بر کتابخانه Python Hagging Face مسلط شوید

مشخصات دوره :

• ناشر: یودمی
• مدرس: Lazy Programmer Team,Lazy Programmer Inc
• زبان: انگلیسی
• سطح آموزش: مقدماتی تا پیشرفته
• تعداد دروس: 142
• مدت زمان آموزش: 18 ساعت 18 دقیقه

سر فصل های دوره

پیش نیاز های دوره Data Science: Transformers for Natural Language Processing :

تصاویر دوره

فیلم معرفی دوره :

راهنمای نصب :

پس از Extract با Player دلخواه خود مشاهده کنید.

زیرنویس: انگلیسی

کیفیت: 720p

تغییرات:

نسخه 2023/3 نسبت به 2022/5 به تعداد 42 درس و مدت زمان 5 ساعت و 40 دقیقه افزایش داشته است.

نسخه 2023/5 نسبت به 2023/3 به تعداد 1 درس و مدت زمان 8 دقیقه افزایش داشته است.

نسخه 2023/8 نسبت به 2023/5 به تعداد 4 درس و مدت زمان 40 دقیقه افزایش داشته است.

نسخه 2024/7 نسبت به 2023/8 به تعداد 1 درس افزایش و مدت زمان 27 دقیقه کاهش داشته است.

نسخه 2025/11 نسبت به 2024/7 به تعداد 9 درس و مدت زمان 48 دقیقه افزایش داشته است.

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 1 گیگابایت

دانلود بخش 3 – 1 گیگابایت

دانلود بخش 4 – 1 گیگابایت

دانلود بخش 5 – 1 گیگابایت

دانلود بخش 6 – 1 گیگابایت

دانلود بخش 7 – 129 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

6.12 گیگابایت