اپلیکیشن اندرویدی فلشکارت آموزشی مدیریت دانش و استخراج اطلاعات از اسناد با NLP
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره مدیریت دانش و استخراج اطلاعات از اسناد با NLP
موضوع کلی: برنامه نویسی
موضوع میانی: پردازش زبان طبیعی (NLP)
📋 سرفصلهای دوره
- 1. مبانی برنامه نویسی و مقدمات پایتون
- 2. نصب و راه اندازی محیط توسعه پایتون
- 3. ساختار داده های پایه در پایتون
- 4. دستورات شرطی و حلقه ها
- 5. توابع و ماژول ها در پایتون
- 6. مقدمات شی گرایی در پایتون
- 7. کار با فایل ها در پایتون
- 8. مقدمات علم داده
- 9. مبانی آمار و احتمالات
- 10. مقدمات جبر خطی
- 11. مفاهیم پایه یادگیری ماشین
- 12. معرفی پردازش زبان طبیعی (NLP)
- 13. چالش های پردازش زبان طبیعی
- 14. مراحل پایپ لاین پردازش زبان طبیعی
- 15. پاکسازی متون و پیش پردازش داده ها
- 16. نرمال سازی متن (Normalization)
- 17. حذف کلمات توقف (Stop Word Removal)
- 18. ریشه یابی کلمات (Stemming)
- 19. لماتیابی (Lemmatization)
- 20. توکن سازی (Tokenization)
- 21. تقسیم متن به جملات (Sentence Segmentation)
- 22. تقسیم متن به کلمات (Word Tokenization)
- 23. تقسیم متن به کاراکترها (Character Tokenization)
- 24. کار با کتابخانه NLTK
- 25. نصب و آشنایی با NLTK
- 26. استفاده از توکن سازهای NLTK
- 27. کار با متن های از پیش آماده در NLTK
- 28. استفاده از قابلیت های استمینگ و لماتیابی NLTK
- 29. کار با کتابخانه SpaCy
- 30. نصب و آشنایی با SpaCy
- 31. توکن سازی پیشرفته با SpaCy
- 32. مفاهیم POS Tagging (برچسب گذاری اجزای کلام)
- 33. اجرای POS Tagging با NLTK
- 34. اجرای POS Tagging با SpaCy
- 35. شناسایی موجودیت های نام دار (Named Entity Recognition - NER)
- 36. معرفی NER
- 37. تکنیک های NER
- 38. پیاده سازی NER با NLTK
- 39. پیاده سازی NER با SpaCy
- 40. مدل سازی موضوعی (Topic Modeling)
- 41. مفاهیم پایه مدل سازی موضوعی
- 42. مدل LDA (Latent Dirichlet Allocation)
- 43. کار با کتابخانه Gensim برای LDA
- 44. پیاده سازی LDA با Gensim
- 45. تفسیر نتایج مدل LDA
- 46. استخراج اطلاعات (Information Extraction)
- 47. مفاهیم پایه استخراج اطلاعات
- 48. استخراج رابطه (Relation Extraction)
- 49. استخراج رویداد (Event Extraction)
- 50. استخراج اطلاعات از جداول
- 51. روش های مبتنی بر قوانین
- 52. روش های مبتنی بر یادگیری ماشین
- 53. استفاده از Regex برای استخراج الگو
- 54. مفهوم جاسازی کلمات (Word Embeddings)
- 55. مفهوم Word2Vec
- 56. آموزش مدل Word2Vec
- 57. استفاده از مدل های از پیش آموزش دیده Word2Vec
- 58. مفهوم GloVe
- 59. مفهوم FastText
- 60. مزایای FastText
- 61. کار با کتابخانه Gensim برای Word Embeddings
- 62. استفاده از Word Embeddings در وظایف NLP
- 63. کاربرد Word Embeddings در تشابه متنی
- 64. کاربرد Word Embeddings در دسته بندی متنی
- 65. شبکه های عصبی بازگشتی (Recurrent Neural Networks - RNN)
- 66. مفاهیم پایه RNN
- 67. مدل LSTM
- 68. مدل GRU
- 69. استفاده از RNN در NLP
- 70. کاربرد RNN در مدل سازی زبان (Language Modeling)
- 71. استفاده از کتابخانه Keras/TensorFlow برای RNN
- 72. شبکه های عصبی کانولوشنال (Convolutional Neural Networks - CNN)
- 73. مفاهیم پایه CNN
- 74. استفاده از CNN در NLP
- 75. مقایسه CNN و RNN برای وظایف NLP
- 76. مبدل ها (Transformers)
- 77. مقدمات معماری ترنسفورمر
- 78. مفهوم Self-Attention
- 79. معماری BERT
- 80. آموزش و استفاده از مدل های BERT
- 81. کاربرد BERT در وظایف NLP
- 82. مدل های زبانی بزرگ (Large Language Models - LLMs)
- 83. مقدمه ای بر LLMs
- 84. معماری GPT
- 85. مفاهیم Prompt Engineering
- 86. تکنیک های Prompt Engineering
- 87. مدیریت دانش سازمانی
- 88. نقش NLP در مدیریت دانش
- 89. سیستم های پرسش و پاسخ (Question Answering Systems)
- 90. مفاهیم پایه QA
- 91. انواع QA (Extractiv, Abstractive)
- 92. پیاده سازی QA با مدل های پیشرفته
- 93. تکنیک های خلاصه سازی متن (Text Summarization)
- 94. خلاصه سازی استخراجی
- 95. خلاصه سازی انتزاعی
- 96. پیاده سازی خلاصه سازی با مدل های NLP
- 97. تکنیک های طبقه بندی متن (Text Classification)
- 98. استفاده از مدل های یادگیری ماشین برای طبقه بندی
- 99. استفاده از مدل های یادگیری عمیق برای طبقه بندی
- 100. تشابه متنی و بازیابی اطلاعات (Text Similarity and Information Retrieval)
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.