اپلیکیشن اندرویدی فلش‌کارت آموزشی ترجمهٔ ماشینی عصبی با Fairseq: از مبتدی تا حرفه‌ای

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ترجمهٔ ماشینی عصبی با Fairseq: از مبتدی تا حرفه‌ای

موضوع کلی: هوش مصنوعی

موضوع میانی: پردازش زبان طبیعی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ترجمهٔ ماشینی عصبی (NMT)
• 2. معماری‌های Encoder-Decoder در NMT
• 3. مفهوم Attention در ترجمهٔ ماشینی
• 4. معرفی Fairseq: یک ابزار قدرتمند برای NMT
• 5. نصب و راه‌اندازی Fairseq
• 6. آماده‌سازی داده‌ها برای Fairseq
• 7. توکن‌سازی و واژگان‌سازی
• 8. ایجاد Dataset در Fairseq
• 9. مدل‌های زبان (Language Models) در Fairseq
• 10. آموزش یک مدل زبان ساده با Fairseq
• 11. مقدمه‌ای بر مدل‌های Transformer
• 12. پیاده‌سازی Transformer در Fairseq
• 13. استفاده از مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 14. Fine-tuning مدل‌های از پیش آموزش‌دیده
• 15. ارزیابی مدل‌های NMT
• 16. معیارهای ارزیابی ترجمهٔ ماشینی: BLEU, METEOR, TER
• 17. بهبود کیفیت ترجمه: Data Augmentation
• 18. استفاده از Back-Translation
• 19. بهبود کیفیت ترجمه: Noise Injection
• 20. تنظیم Hyperparameterها در Fairseq
• 21. بهینه‌سازی سرعت آموزش
• 22. استفاده از Distributed Training
• 23. استقرار مدل‌های NMT
• 24. استفاده از Fairseq برای ترجمهٔ بلادرنگ (Real-time Translation)
• 25. ترجمهٔ ماشینی با Fairseq و GPU
• 26. حل مشکلات رایج در آموزش مدل‌ها
• 27. اشتباهات رایج در آماده‌سازی داده‌ها
• 28. مقدمه‌ای بر ترجمهٔ ماشینی چندزبانه
• 29. ساخت مدل‌های چندزبانه با Fairseq
• 30. ترجمهٔ ماشینی با Fairseq و Low-Resource Languages
• 31. استفاده از Transfer Learning
• 32. ترجمهٔ ماشینی عصبی و اخلاق
• 33. Bias در ترجمهٔ ماشینی
• 34. Fairseq و ترجمهٔ ماشینی عصبی برای زبان‌های خاص (فارسی، عربی و غیره)
• 35. ایجاد vocab سفارشی برای زبان فارسی
• 36. استفاده از BPE (Byte Pair Encoding) در Fairseq
• 37. پیش‌پردازش داده‌های متنی فارسی
• 38. ترجمهٔ ماشینی با Fairseq و محدودیت‌های طول
• 39. کنترل تولید متن در Fairseq
• 40. ترجمهٔ ماشینی و حافظه ترجمه (Translation Memory)
• 41. استفاده از Fairseq API برای توسعهٔ برنامه‌های ترجمه
• 42. ادغام Fairseq با سایر ابزارهای NLP
• 43. آشنایی با ابزارهای Debugging در Fairseq
• 44. تحلیل خطا در ترجمه‌های Fairseq
• 45. مقایسهٔ Fairseq با سایر فریم‌ورک‌های NMT (OpenNMT, Marian)
• 46. استفاده از Fairseq برای کارهای مرتبط با ترجمه (Paraphrasing, Summarization)
• 47. آشنایی با آخرین پیشرفت‌ها در NMT و Fairseq
• 48. بهبود عملکرد ترجمه با استفاده از Knowledge Distillation
• 49. بهینه‌سازی مدل برای استقرار روی دستگاه‌های موبایل
• 50. استفاده از Quantization برای کاهش حجم مدل
• 51. پیاده‌سازی سیستم ترجمهٔ ماشینی کامل با Fairseq