کتاب صوتی تکنیک‌های خوشه‌بندی و طبقه‌بندی متون

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تکنیک‌های خوشه‌بندی و طبقه‌بندی متون

موضوع کلی: مدیریت و بهینه‌سازی سیستم‌های جستجو

موضوع میانی: تکنیک‌های بازیابی اطلاعات (Information Retrieval Techniques)

📋 سرفصل‌های دوره

• 1. مبانی پردازش زبان طبیعی
• 2. پیش‌پردازش متن و پاکسازی داده‌ها
• 3. توکنیزاسیون و ریشه‌یابی کلمات
• 4. بردارسازی متن: روش‌های Bag-of-Words
• 5. مدل‌های زبانی و مفهوم آن‌ها
• 6. مقدمه‌ای بر خوشه‌بندی
• 7. خوشه‌بندی سلسله‌مراتبی
• 8. خوشه‌بندی K-Means
• 9. ارزیابی خوشه‌بندی: شاخص‌های درونی
• 10. ارزیابی خوشه‌بندی: شاخص‌های بیرونی
• 11. خوشه‌بندی مبتنی بر تراکم (DBSCAN)
• 12. خوشه‌بندی طیفی
• 13. خوشه‌بندی نرم
• 14. انتخاب ویژگی برای خوشه‌بندی
• 15. طبقه‌بندی متن: مقدمه
• 16. الگوریتم‌های طبقه‌بندی: Naive Bayes
• 17. الگوریتم‌های طبقه‌بندی: SVM
• 18. الگوریتم‌های طبقه‌بندی: درخت تصمیم
• 19. الگوریتم‌های طبقه‌بندی: جنگل تصادفی
• 20. ارزیابی طبقه‌بندی: دقت، صحت، بازیابی
• 21. ماتریس درهم‌ریختگی و منحنی ROC
• 22. تنظیم هایپرپارامترها در طبقه‌بندی
• 23. مقدمه‌ای بر شبکه‌های عصبی برای طبقه‌بندی
• 24. شبکه‌های عصبی بازگشتی (RNN) برای متن
• 25. شبکه‌های عصبی پیچشی (CNN) برای متن
• 26. استفاده از Word Embeddings در طبقه‌بندی
• 27. Word2Vec و GloVe
• 28. FastText و مدل‌های مشابه
• 29. مقدمه‌ای بر ترنسفورمرها
• 30. مدل‌های زبانی بزرگ (LLM) و کاربرد آن‌ها در خوشه‌بندی
• 31. Fine-tuning مدل‌های زبانی بزرگ
• 32. خوشه‌بندی متون خبری
• 33. خوشه‌بندی مقالات علمی
• 34. خوشه‌بندی نظرات کاربران
• 35. خوشه‌بندی متن‌های شبکه‌های اجتماعی
• 36. طبقه‌بندی ایمیل‌ها (اسپم/غیر اسپم)
• 37. طبقه‌بندی اخبار بر اساس موضوع
• 38. تحلیل احساسات (Sentiment Analysis)
• 39. تشخیص زبان در متن
• 40. خوشه‌بندی و طبقه‌بندی متن‌های دو زبانه
• 41. استخراج کلیدواژه‌ها از متن
• 42. خلاصه‌سازی متن
• 43. تشخیص موجودیت نام‌دار (NER)
• 44. تحلیل موضوعی (Topic Modeling)
• 45. مقدمه‌ای بر LDA (Latent Dirichlet Allocation)