کتاب صوتی پردازش زبان طبیعی پیشرفته با Hugging Face Transformers

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش زبان طبیعی پیشرفته با Hugging Face Transformers

موضوع کلی: برنامه نویسی

موضوع میانی: هوش مصنوعی و یادگیری ماشین (AI/ML)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش زبان طبیعی و یادگیری عمیق
• 2. مبانی شبکه‌های عصبی و یادگیری عمیق
• 3. معماری‌های کلیدی شبکه‌های عصبی بازگشتی (RNN)
• 4. شبکه‌های حافظه طولانی کوتاه‌مدت (LSTM)
• 5. واحدهای بازگشتی دروازه‌دار (GRU)
• 6. کاربرد شبکه‌های عصبی در پردازش زبان طبیعی
• 7. مبانی مدل‌های زبانی
• 8. مدل‌های زبانی آماری
• 9. مدل‌های زبانی عصبی
• 10. معرفی کتابخانه Hugging Face Transformers
• 11. نصب و پیکربندی Hugging Face Transformers
• 12. معماری ترنسفورمر (Transformer)
• 13. مکانیسم توجه (Attention Mechanism)
• 14. خود-توجهی (Self-Attention)
• 15. انواع مدل‌های ترنسفورمر
• 16. مدل‌های Encoder-Decoder
• 17. مدل‌های Encoder-Only (مانند BERT)
• 18. مدل‌های Decoder-Only (مانند GPT)
• 19. مدل‌های Encoder-Decoder (مانند T5)
• 20. مبانی پیش‌پردازش متن برای مدل‌های ترنسفورمر
• 21. توکنایزرها (Tokenizers)
• 22. انواع توکنایزرها (WordPiece, BPE, SentencePiece)
• 23. استفاده از توکنایزرهای Hugging Face
• 24. تبدیل متن به بردارهای عددی (Embeddings)
• 25. بردارهای کلمه (Word Embeddings)
• 26. بردارهای موقعیتی (Positional Embeddings)
• 27. بردارهای سگمنتی (Segment Embeddings)
• 28. مدل‌های پیش‌آموزش‌دیده (Pre-trained Models)
• 29. مفهوم انتقال یادگیری (Transfer Learning)
• 30. مبانی fine-tuning مدل‌های ترنسفورمر
• 31. تنظیم دقیق مدل برای طبقه‌بندی متن
• 32. تنظیم دقیق مدل برای تشخیص موجودیت نام‌دار (NER)
• 33. تنظیم دقیق مدل برای پاسخ به سوال (Question Answering)
• 34. تنظیم دقیق مدل برای خلاصه‌سازی متن
• 35. تنظیم دقیق مدل برای ترجمه ماشینی
• 36. تنظیم دقیق مدل برای تولید متن
• 37. ارزیابی مدل‌های پردازش زبان طبیعی
• 38. معیارهای ارزیابی برای طبقه‌بندی متن
• 39. معیارهای ارزیابی برای NER
• 40. معیارهای ارزیابی برای پاسخ به سوال
• 41. معیارهای ارزیابی برای خلاصه‌سازی متن
• 42. معیارهای ارزیابی برای ترجمه ماشینی
• 43. معیارهای ارزیابی برای تولید متن
• 44. ملاحظات اخلاقی در پردازش زبان طبیعی
• 45. سوگیری در مدل‌های زبانی
• 46. حریم خصوصی در داده‌های متنی
• 47. امنیت در مدل‌های زبانی
• 48. کاربردهای پیشرفته مدل‌های ترنسفورمر
• 49. مدل‌های زبانی بزرگ (LLMs)
• 50. تولید متن خلاقانه
• 51. تشخیص احساسات و تحلیل نظرات
• 52. سیستم‌های توصیه‌گر مبتنی بر متن
• 53. پردازش زبان طبیعی در زبان فارسی
• 54. چالش‌های پردازش زبان فارسی
• 55. مدل‌های ترنسفورمر برای زبان فارسی
• 56. مجموعه داده‌های فارسی برای NLP
• 57. کاربرد Hugging Face Transformers در زبان فارسی
• 58. تنظیم دقیق مدل‌های فارسی برای وظایف مختلف
• 59. تولید متن فارسی با مدل‌های ترنسفورمر
• 60. خلاصه‌سازی متن فارسی
• 61. ترجمه ماشینی فارسی به انگلیسی
• 62. ترجمه ماشینی انگلیسی به فارسی
• 63. تشخیص موجودیت نام‌دار فارسی
• 64. تحلیل احساسات متن فارسی
• 65. کاربرد در آموزش و یادگیری
• 66. سیستم‌های پرسش و پاسخ آموزشی
• 67. تولید محتوای آموزشی
• 68. شخصی‌سازی یادگیری
• 69. کاربرد در نظام اداری و حقوقی
• 70. تحلیل اسناد حقوقی
• 71. استخراج اطلاعات از متون اداری
• 72. ارزیابی اسناد و مدارک
• 73. کاربرد در حوزه سلامت
• 74. تحلیل متون پزشکی
• 75. استخراج اطلاعات از پرونده‌های بیماران
• 76. کمک به تشخیص پزشکی
• 77. پروژه‌های عملی با Hugging Face Transformers
• 78. ساخت یک طبقه‌بند متن سفارشی
• 79. پیاده‌سازی NER برای متون فارسی
• 80. توسعه یک سیستم پاسخ به سوال ساده
• 81. تولید شعر یا داستان کوتاه
• 82. مباحث پیشرفته در مدل‌های ترنسفورمر
• 83. مدل‌های Few-shot و Zero-shot Learning
• 84. Prompt Engineering برای مدل‌های زبانی بزرگ
• 85. تکنیک‌های fine-tuning پیشرفته
• 86. Quantization و Pruning برای بهینه‌سازی مدل
• 87. ملاحظات پیاده‌سازی و استقرار مدل
• 88. مدیریت چرخه عمر مدل‌های NLP
• 89. ابزارهای مرتبط با Hugging Face
• 90. کتابخانه‌های کمکی برای NLP
• 91. استفاده از GPU و TPU برای آموزش مدل
• 92. نکات کاربردی برای کار با داده‌های بزرگ
• 93. آینده پردازش زبان طبیعی
• 94. روندهای تحقیقاتی جدید
• 95. اهمیت رعایت چارچوب‌های شرعی و قانونی در توسعه NLP
• 96. توسعه ابزارهای NLP بومی و مطابق با قوانین
• 97. نقش هوش مصنوعی در پیشرفت علمی کشور
• 98. اصول اخلاقی در پیاده‌سازی سیستم‌های هوشمند
• 99. مسئولیت‌پذیری در قبال خروجی مدل‌ها
• 100. فرهنگ‌سازی استفاده صحیح از فناوری‌های NLP