کتاب صوتی پردازش زبان طبیعی (NLP) با NLTK و SpaCy در پایتون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره پردازش زبان طبیعی (NLP) با NLTK و SpaCy در پایتون

موضوع کلی: برنامه نویسی

موضوع میانی: پایتون (Python)

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر پردازش زبان طبیعی و کاربردهای آن
• 2. نصب و راه‌اندازی پایتون برای پروژه‌های NLP
• 3. آشنایی با کتابخانه NLTK و نصب آن
• 4. آشنایی با کتابخانه SpaCy و نصب آن
• 5. تفاوت‌های اصلی NLTK و SpaCy
• 6. مفاهیم پایه: توکن، لم، استم، و پیکره
• 7. توکن‌سازی متون با NLTK
• 8. توکن‌سازی متون با SpaCy
• 9. حذف کلمات توقف (Stop Words) با NLTK
• 10. حذف کلمات توقف با SpaCy
• 11. استمینگ (Stemming) با استفاده از Porter و Lancaster
• 12. لماتیزاسیون (Lemmatization) با NLTK و WordNet
• 13. لماتیزاسیون با SpaCy
• 14. برچسب‌گذاری اجزای کلام (POS Tagging) با NLTK
• 15. برچسب‌گذاری اجزای کلام با SpaCy
• 16. تشخیص موجودیت‌های نام‌دار (NER) با NLTK
• 17. تشخیص موجودیت‌های نام‌دار با SpaCy
• 18. تجزیه وابستگی (Dependency Parsing) با SpaCy
• 19. تجزیه درختی (Constituency Parsing) با NLTK
• 20. کار با پیکره‌های متنی داخلی در NLTK
• 21. خواندن و پیش‌پردازش فایل‌های متنی
• 22. عبارات با قاعده (Regex) برای پیش‌پردازش متون
• 23. نرمال‌سازی متن و پاک‌سازی داده‌ها
• 24. مدل‌سازی با کیسه کلمات (Bag of Words)
• 25. بردارسازی با TF-IDF در NLTK و Scikit-learn
• 26. نمایش برداری کلمات با SpaCy
• 27. شباهت معنایی بین کلمات و جملات
• 28. طبقه‌بندی متن با الگوریتم‌های ساده (Naive Bayes)
• 29. طبقه‌بندی متن با SVM و Logistic Regression
• 30. تحلیل احساسات با NLTK و SpaCy
• 31. تشخیص موضوعات با Latent Dirichlet Allocation (LDA)
• 32. خوشه‌بندی متون با K-Means
• 33. استخراج کلمات کلیدی از متن
• 34. خلاصه‌سازی خودکار متون
• 35. پاسخ به پرسش بر پایه متن (Question Answering)
• 36. ترجمه ماشینی مقدماتی با کتابخانه‌های ترجمه
• 37. تشخیص زبان متن
• 38. تصحیح املای خودکار و پیشنهاد کلمات
• 39. کار با داده‌های سریالی (JSON و CSV) در NLP
• 40. مدیریت حافظه و پردازش حجم بالای متن
• 41. نوشتن تابع سفارشی برای پیش‌پردازش زنجیره‌ای
• 42. توسعه یک چت‌بات ساده مبتنی بر قاعده
• 43. توسعه چت‌بات با SpaCy و تطبیق الگو
• 44. مدل‌سازی زبان با n-gram
• 45. ارزیابی مدل‌های طبقه‌بندی با دقت و بازخوانی
• 46. اعتبارسنجی متقابل برای مدل‌های NLP
• 47. بهبود عملکرد با مهندسی ویژگی
• 48. استفاده از Pipeline در SpaCy
• 49. آموزش یک مدل NER سفارشی با SpaCy
• 50. افزودن کامپوننت‌های سفارشی به Pipeline
• 51. ذخیره و بارگذاری مدل‌های آموزش‌دیده
• 52. کار با WordNet در NLTK
• 53. تحلیل هم‌وقوعی کلمات (Collocations)
• 54. بازیابی اطلاعات و جستجوی متنی
• 55. فیلتر کردن و مرتب‌سازی نتایج جستجو
• 56. یکپارچه‌سازی NLP با Pandas برای تحلیل داده
• 57. تحلیل متون غیرساختاریافته در دیتافریم
• 58. تجسم داده‌های متنی با Word Cloud
• 59. تجسم با نمودارهای فراوانی و شبکه
• 60. اشکال‌زدایی و خطایابی در کدهای NLP
• 61. بهینه‌سازی سرعت پردازش با SpaCy
• 62. استفاده از چند هسته‌ای (Multiprocessing) در پردازش متن
• 63. مقابله با داده‌های پرت و نویز در متن
• 64. تکنیک‌های افزایش داده (Data Augmentation) برای متن
• 65. آشنایی با مدل‌های از پیش آموزش‌دیده (Pre-trained Models)
• 66. مقایسه عملکرد NLTK و SpaCy در پروژه‌های عملی
• 67. ایجاد یک پروژه عملی: تحلیل بازخورد مشتریان
• 68. ایجاد یک پروژه عملی: سیستم پیشنهاد کلمه هوشمند
• 69. مستندسازی و گزارش نتایج پروژه NLP
• 70. منابع و مراجع تکمیلی برای یادگیری بیشتر