دوره مهندسی ویژگی پیشرفته برای طبقه‌بندی متن (Advanced Text Feature Engineering for Classification) همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مهندسی ویژگی پیشرفته برای طبقه‌بندی متن (Advanced Text Feature Engineering for Classification)

موضوع کلی: یادگیری ماشین

موضوع میانی: مهندسی ویژگی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر مهندسی ویژگی در پردازش زبان طبیعی
• 2. اهمیت مهندسی ویژگی در طبقه‌بندی متن
• 3. مروری بر روش‌های سنتی مهندسی ویژگی
• 4. مدل‌های برداری فضایی (Vector Space Models)
• 5. TF-IDF: تئوری و پیاده‌سازی
• 6. N-gram ها: کاربردها و چالش‌ها
• 7. بررسی روش‌های نرمال‌سازی متن
• 8. حذف کلمات توقف (Stop Words) و تاثیر آن
• 9. ریشه‌یابی (Stemming) و لِماتیزاسیون (Lemmatization)
• 10. روش‌های پیشرفته ریشه‌یابی و لِماتیزاسیون در فارسی
• 11. تبدیل متن به بردار با استفاده از Word Embeddings
• 12. Word2Vec: معماری و آموزش
• 13. GloVe: تفاوت‌ها و کاربردها
• 14. FastText: مزایا و معایب
• 15. استفاده از Embeddings از پیش آموزش‌دیده (Pre-trained Embeddings)
• 16. انتقال یادگیری (Transfer Learning) با Embeddings
• 17. ایجاد Embeddings سفارشی برای داده‌های خاص
• 18. ترکیب Embeddings مختلف
• 19. استفاده از ویژگی‌های نحوی (Syntactic Features)
• 20. تحلیل وابستگی (Dependency Parsing) و استخراج ویژگی
• 21. برچسب‌گذاری اجزای گفتار (Part-of-Speech Tagging) و کاربردها
• 22. استفاده از ویژگی‌های معنایی (Semantic Features)
• 23. Word Sense Disambiguation (WSD) و تاثیر آن بر مهندسی ویژگی
• 24. استفاده از دانش‌نامه‌ها (Knowledge Graphs) برای استخراج ویژگی
• 25. استفاده از ویژگی‌های مبتنی بر موضوع (Topic-based Features)
• 26. Latent Dirichlet Allocation (LDA): تئوری و پیاده‌سازی
• 27. Non-negative Matrix Factorization (NMF) و کاربردها
• 28. استفاده از ویژگی‌های مبتنی بر شبکه (Network-based Features)
• 29. ساخت گراف کلمات و استخراج ویژگی
• 30. استفاده از ویژگی‌های مبتنی بر ساختار جمله (Sentence Structure Features)
• 31. تحلیل ساختار درخت‌واره جملات (Parse Trees)
• 32. استفاده از ویژگی‌های مبتنی بر احساسات (Sentiment-based Features)
• 33. تحلیل احساسات (Sentiment Analysis) و کاربردها
• 34. استفاده از ویژگی‌های مبتنی بر الگو (Pattern-based Features)
• 35. Regular Expressions و استخراج الگوها
• 36. استفاده از ویژگی‌های ترکیبی (Combined Features)
• 37. ترکیب ویژگی‌های مختلف برای بهبود عملکرد
• 38. انتخاب ویژگی (Feature Selection) و کاهش ابعاد (Dimensionality Reduction)
• 39. روش‌های فیلتر (Filter Methods)
• 40. روش‌های Wrapper (Wrapper Methods)
• 41. روش‌های Embedded (Embedded Methods)
• 42. ارزیابی عملکرد ویژگی‌ها
• 43. اهمیت Cross-Validation در ارزیابی ویژگی‌ها
• 44. بهینه‌سازی ویژگی‌ها با استفاده از الگوریتم‌های ژنتیک
• 45. مهندسی ویژگی برای داده‌های متنی کوتاه (Short Text)
• 46. مهندسی ویژگی برای داده‌های متنی بلند (Long Text)
• 47. مهندسی ویژگی برای زبان فارسی: چالش‌ها و راهکارها
• 48. پیاده‌سازی مهندسی ویژگی با استفاده از کتابخانه‌های پایتون (Scikit-learn, Gensim, SpaCy)