فلش‌کارت‌های 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)