کتاب صوتی Word Embeddings و کاهش ابعاد معنایی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره Word Embeddings و کاهش ابعاد معنایی

موضوع کلی: علوم داده و تحلیل کلان‌داده‌های متنی

موضوع میانی: تکنیک‌های کاهش ابعاد در داده‌های متنی

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر نمایش کلمات
• 2. بردار کلمه و فضای برداری
• 3. روش‌های نمایش سنتی کلمات
• 4. محدودیت‌های نمایش‌های سنتی
• 5. مفهوم Embedding در یادگیری ماشین
• 6. Embedding کلمات و شبکه‌های عصبی
• 7. مدل Word2Vec: آشنایی و مبانی
• 8. معماری Skip-gram در Word2Vec
• 9. معماری CBOW در Word2Vec
• 10. بهینه‌سازی مدل Word2Vec
• 11. ارزیابی کیفیت Word Embedding
• 12. روش‌های نمونه‌برداری منفی در Word2Vec
• 13. Hyperparameterهای Word2Vec و تنظیم آن‌ها
• 14. کاربرد Word Embedding در تحلیل معنایی
• 15. مقدمه‌ای بر GloVe
• 16. تفاوت‌های کلیدی Word2Vec و GloVe
• 17. معماری و آموزش مدل GloVe
• 18. ارزیابی مدل GloVe
• 19. مقایسه عملکرد Word2Vec و GloVe
• 20. Embeddingهای مبتنی بر Context
• 21. مفهوم Contextual Word Embeddings
• 22. مدل‌های زبانی بزرگ و Embedding
• 23. معماری Transformer و Word Embedding
• 24. مقدمه‌ای بر BERT
• 25. کاربرد BERT در تولید Word Embedding
• 26. Fine-tuning مدل BERT برای وظایف خاص
• 27. Embeddings چندزبانه
• 28. نمایش کلمات در زبان‌های مختلف
• 29. چالش‌های Embedding در زبان فارسی
• 30. پیش‌پردازش متن فارسی برای Embedding
• 31. کاهش ابعاد: ضرورت و روش‌ها
• 32. مقدمه‌ای بر PCA
• 33. PCA و کاهش ابعاد داده‌های متنی
• 34. مقدمه‌ای بر t-SNE
• 35. t-SNE برای تجسم Embeddingها
• 36. Umap و مزایای آن نسبت به t-SNE
• 37. مقایسه PCA، t-SNE و Umap
• 38. کاربرد کاهش ابعاد در خوشه بندی کلمات
• 39. خوشه‌بندی کلمات با استفاده از Embedding
• 40. تشخیص شباهت معنایی با Embedding
• 41. کاربرد Embedding در سیستم‌های توصیه‌گر
• 42. Embedding و تحلیل احساسات
• 43. Embedding و خلاصه‌سازی متن
• 44. Embedding و پاسخ به سوالات
• 45. Embedding و ترجمه ماشینی