دوره طراحی و ساخت موتورهای جستجو: از الگوریتم‌های کلاسیک تا مدل‌های مدرن همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره طراحی و ساخت موتورهای جستجو: از الگوریتم‌های کلاسیک تا مدل‌های مدرن

موضوع کلی: علم داده

موضوع میانی: کاوش و تحلیل متن

📋 سرفصل‌های دوره

• 1. مقدمه ای بر علم داده و کاوش متن
• 2. مروری بر بازیابی اطلاعات و موتورهای جستجو
• 3. اصطلاحات کلیدی و تعاریف پایه در بازیابی اطلاعات
• 4. مدل بولی و معایب آن
• 5. مدل فضای برداری و TF-IDF
• 6. محاسبه شباهت در فضای برداری: Cosine Similarity
• 7. پیش پردازش متن: Tokenization و Normalization
• 8. حذف کلمات توقف (Stop Words)
• 9. ریشه یابی (Stemming) و لِماتیزاسیون (Lemmatization)
• 10. نمایه سازی معکوس (Inverted Index): ساختار و پیاده سازی
• 11. بهینه سازی اندازه نمایه معکوس
• 12. نمایه سازی چند زبانه
• 13. ارزیابی سیستم های بازیابی اطلاعات: دقت و بازخوانی (Precision & Recall)
• 14. معیار F1 و سایر معیارهای ترکیبی
• 15. MAP (Mean Average Precision) و MRR (Mean Reciprocal Rank)
• 16. ارزیابی آفلاین در مقابل ارزیابی آنلاین
• 17. آزمون A/B در موتورهای جستجو
• 18. رتبه بندی بر اساس ارتباط (Relevance Ranking)
• 19. مدل زبانی برای بازیابی اطلاعات
• 20. احتمال رخداد کلمات و تخمین هموارسازی (Smoothing)
• 21. مدل زبانی unigram و n-gram
• 22. مدل زبانی با استفاده از روش‌های یادگیری ماشین
• 23. ارزیابی مدل های زبانی: پرپلکسیتی (Perplexity)
• 24. مقدمه ای بر یادگیری ماشین برای رتبه بندی (Learning to Rank)
• 25. روش های نقطه ای (Pointwise) در Learning to Rank
• 26. روش های زوجی (Pairwise) در Learning to Rank
• 27. روش های لیستی (Listwise) در Learning to Rank
• 28. الگوریتم RankSVM
• 29. الگوریتم LambdaMART
• 30. الگوریتم Gradient Boosting Decision Trees (GBDT) برای رتبه بندی
• 31. الگوریتم AdaRank
• 32. ویژگی های مورد استفاده در Learning to Rank: Feature Engineering
• 33. ترکیب ویژگی ها و انتخاب ویژگی
• 34. مقدمه ای بر شبکه های عصبی برای بازیابی اطلاعات
• 35. شبکه های عصبی feedforward
• 36. شبکه های عصبی بازگشتی (Recurrent Neural Networks)
• 37. شبکه های حافظه بلندمدت (LSTM) و دروازه بازگشتی (GRU)
• 38. Embedded Word ها: Word2Vec و GloVe
• 39. استفاده از Word Embeddings در بازیابی اطلاعات
• 40. Sentence Embeddings: Doc2Vec و InferSent
• 41. مدل های زبانی مبتنی بر ترنسفورمرها (Transformer-based Language Models)
• 42. معرفی BERT و کاربردهای آن در بازیابی اطلاعات
• 43. Fine-tuning BERT برای رتبه بندی
• 44. استفاده از مدل های ترنسفورمر برای سوال و پاسخ (Question Answering)
• 45. مدل های زبانی مبتنی بر ترنسفورمر برای تولید متن (Text Generation)
• 46. مقدمه ای بر جستجوی معنایی (Semantic Search)
• 47. Knowledge Graph ها و نقش آنها در جستجوی معنایی
• 48. استفاده از ontologie ها در جستجوی معنایی
• 49. بازیابی اطلاعات با استفاده از query expansion
• 50. جستجوی فازی (Fuzzy Search) و تصحیح املایی
• 51. جستجوی مجاورتی (Proximity Search)
• 52. جستجوی جغرافیایی (Geographic Search)
• 53. مقدمه ای بر خوشه بندی متن (Text Clustering)
• 54. الگوریتم K-Means برای خوشه بندی متن
• 55. الگوریتم Hierarchical Clustering برای خوشه بندی متن
• 56. الگوریتم DBSCAN برای خوشه بندی متن
• 57. ارزیابی خوشه بندی متن
• 58. مقدمه ای بر خلاصه سازی متن (Text Summarization)
• 59. خلاصه سازی استخراجی (Extractive Summarization)
• 60. خلاصه سازی انتزاعی (Abstractive Summarization)
• 61. ارزیابی خلاصه سازی متن
• 62. مقدمه ای بر تحلیل احساسات (Sentiment Analysis)
• 63. روش های مبتنی بر لغتنامه (Lexicon-based) برای تحلیل احساسات
• 64. روش های یادگیری ماشین برای تحلیل احساسات
• 65. ارزیابی تحلیل احساسات
• 66. مقدمه ای بر تشخیص موجودیت نامگذاری شده (Named Entity Recognition)
• 67. روش های مبتنی بر قوانین (Rule-based) برای NER
• 68. روش های یادگیری ماشین برای NER
• 69. ارزیابی NER
• 70. مقدمه ای بر Topic Modeling
• 71. الگوریتم Latent Dirichlet Allocation (LDA)
• 72. ارزیابی Topic Modeling
• 73. کاوش متن در شبکه های اجتماعی
• 74. تحلیل ترندها و احساسات در شبکه های اجتماعی
• 75. شناسایی کاربران تاثیرگذار (Influencers)
• 76. بازیابی اطلاعات شخصی (Personalized Information Retrieval)
• 77. توصیه گرها (Recommender Systems)
• 78. فیلترسازی مشارکتی (Collaborative Filtering)
• 79. توصیه گرها مبتنی بر محتوا (Content-based Recommender Systems)
• 80. توصیه گرهای هیبریدی (Hybrid Recommender Systems)
• 81. امنیت در موتورهای جستجو: مقابله با حملات SEO
• 82. جلوگیری از محتوای اسپم (Spam) و تقلب (Fraud)
• 83. حریم خصوصی در موتورهای جستجو
• 84. ملاحظات اخلاقی در طراحی موتورهای جستجو
• 85. موتورهای جستجو برای زبان های مختلف
• 86. جستجوی صوتی (Voice Search)
• 87. جستجوی تصویری (Image Search)
• 88. جستجوی ویدئویی (Video Search)
• 89. چالش های جستجو در حجم بالای داده (Big Data)
• 90. معماری موتورهای جستجو در مقیاس بزرگ
• 91. پردازش ابری (Cloud Computing) برای موتورهای جستجو
• 92. شاخص های عملکردی (KPIs) برای موتورهای جستجو
• 93. مانیتورینگ و Logging موتورهای جستجو
• 94. بهینه سازی موتورهای جستجو (SEO)
• 95. آینده موتورهای جستجو: روندهای نوظهور
• 96. یادگیری تقویتی (Reinforcement Learning) برای رتبه بندی
• 97. جستجوی مبتنی بر پاسخگویی (Answer Engine)
• 98. معماری های سرویس گرا (Microservices Architecture) برای موتورهای جستجو
• 99. امنیت و مقیاس پذیری در موتورهای جستجو
• 100. حقوق مالکیت فکری در موتورهای جستجو