کتاب صوتی تسلط بر پردازش زبان طبیعی با spaCy: از مبتدی تا حرفه‌ای

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تسلط بر پردازش زبان طبیعی با spaCy: از مبتدی تا حرفه‌ای

موضوع کلی: علوم داده

موضوع میانی: پردازش زبان طبیعی

📋 سرفصل‌های دوره

• 1. معرفی کتابخانه spaCy و قابلیت‌های کلیدی آن
• 2. نصب و راه‌اندازی spaCy در محیط‌های مختلف
• 3. درک ساختار داده‌ای اصلی spaCy: Doc، Token، Span
• 4. بارگذاری و خواندن متون مختلف با spaCy
• 5. توکنایز کردن متن: تقسیم متن به واحدهای کوچک‌تر
• 6. حذف کلمات توقف (Stop Words) و اهمیت آن
• 7. ریشه‌یابی کلمات (Lemmatization) و تبدیل به شکل اصلی
• 8. برچسب‌گذاری دستوری (Part-of-Speech Tagging) و شناسایی نقش کلمات
• 9. تشخیص موجودیت‌های نام‌دار (Named Entity Recognition - NER)
• 10. تجزیه و تحلیل وابستگی نحوی (Dependency Parsing)
• 11. ویژوال‌سازی خروجی‌های spaCy با استفاده از displaCy
• 12. کار با ویژگی‌های توکن‌ها: متن، شکل، برچسب و...
• 13. ایجاد Pipeline سفارشی در spaCy
• 14. آموزش مدل‌های NER با داده‌های اختصاصی
• 15. استفاده از Word Vectors و شباهت معنایی کلمات
• 16. محاسبه فاصله اقلیدسی و کسینوسی بین کلمات
• 17. کاربرد spaCy در تحلیل احساسات (Sentiment Analysis)
• 18. شناسایی عبارات اسمی (Noun Phrases)
• 19. استخراج روابط بین موجودیت‌ها
• 20. کار با زبان‌های مختلف در spaCy
• 21. بهینه‌سازی عملکرد spaCy برای پردازش حجم بالای داده
• 22. ادغام spaCy با سایر کتابخانه‌های پایتون (Numpy, Pandas)
• 23. ذخیره و بارگذاری مدل‌های spaCy
• 24. استفاده از Rule-Based Matching برای الگوهای متنی
• 25. ایجاد لغت‌نامه سفارشی برای بهبود دقت توکنایز کردن
• 26. کاربرد spaCy در خلاصه‌سازی متن
• 27. پردازش متون غیررسمی (مانند شبکه‌های اجتماعی)
• 28. رفع ابهامات در تشخیص موجودیت‌های نام‌دار
• 29. استفاده از spaCy برای تولید داده‌های مصنوعی
• 30. کاربرد spaCy در سیستم‌های پاسخگویی به سؤال
• 31. مقایسه spaCy با سایر کتابخانه‌های NLP (NLTK, Gensim)
• 32. به‌روزرسانی مدل‌های spaCy
• 33. عیب‌یابی مشکلات رایج در استفاده از spaCy
• 34. استفاده از spaCy برای تشخیص و اصلاح غلط‌های املایی
• 35. ارزیابی عملکرد مدل‌های NLP آموزش‌دیده با spaCy
• 36. استفاده از spaCy در پروژه‌های واقعی (مثال‌های کاربردی)