کلمه کلیدی in و رشته‌ها | مدرسه پردازش و تحلیل داده دقیقه

سرفصل‌ها

پیش پردازش متن در پایتون

آشنایی با مفهوم رشته در پایتون00:07:16

دسترسی به کاراکترهای یک رشته00:08:51

دسترسی به برشی از یک رشته00:07:08

به‌هم چسباندن رشته‌ها00:04:43

کلمه کلیدی in و رشته‌ها00:05:46

مقایسه رشته‌ها00:02:43

روش‌های مهم کار با رشته00:16:53

جست‌وجو در رشته‌ها00:04:11

عبارت باقاعده (regular expression) – بخش اول00:20:40

عبارت باقاعده (regular expression) – بخش دوم00:27:03

عبارت باقاعده (regular expression) – بخش سوم00:20:28

عبارت باقاعده (regular expression) – بخش چهارم00:30:47

عبارت باقاعده (regular expression) – بخش پنجم00:13:41

عبارت باقاعده (regular expression) – بخش ششم00:15:23

عبارت باقاعده (regular expression) – بخش هفتم00:20:31

عبارت باقاعده (regular expression) – بخش هشتم00:20:17

عبارت باقاعده (regular expression) – بخش نهم00:19:51

عبارت باقاعده (regular expression) – بخش دهم00:07:37

پردازش و پاکسازی داده‌های متنی – بخش اول00:20:02

پردازش و پاکسازی داده‌های متنی – بخش دوم00:20:29

پردازش و پاکسازی داده‌های متنی – بخش سوم00:16:54

پردازش و پاکسازی داده‌های متنی – بخش چهارم00:21:51

پردازش و پاکسازی داده‌های متنی – بخش پنجم00:17:32

پردازش زبان های طبیعی با پایتون

آشنایی با پردازش زبان‌های طبیعی (NLP)00:20:51

وظایف پردازش زبان‌های طبیعی (NLP Tasks) – بخش اول00:18:01

وظایف پردازش زبان‌های طبیعی (NLP Tasks) – بخش دوم00:10:55

کاربردهای پردازش زبان‌های طبیعی00:17:59

چالش‌های پردازش زبان‌های طبیعی00:05:35

آشنایی با کتابخانه NLTK – بخش اول00:21:40

آشنایی با کتابخانه NLTK – بخش دوم00:19:47

آشنایی با کتابخانه NLTK – بخش سوم00:20:45

آشنایی با کتابخانه NLTK – بخش چهارم00:18:32

کتابخانه‌های پردازش متون فارسی در پایتون – هضم (Hazm)00:23:38

کتابخانه‌های پردازش متون فارسی در پایتون – هضم (بخش دوم)00:14:00

کتابخانه‌های پردازش متون فارسی در پایتون – هضم (بخش سوم)00:11:35

کتابخانه‌های پردازش متون فارسی در پایتون – پارسی‌وار (Parsivar)00:13:05

کارگاه NLP در پایتون – استخراج متون00:17:16

کارگاه NLP در پایتون – پیش‌پردازش و پاکسازی متن00:16:09

کارگاه NLP (بخش دوم) در پایتون – پیش‌پردازش و پاکسازی متن00:13:37

کارگاه NLP (بخش سوم) در پایتون – پیش‌پردازش و پاکسازی متن00:14:29

کارگاه NLP (بخش چهارم) در پایتون – پیش‌پردازش و پاکسازی متن00:22:55

یادگیری ماشین برای پردازش زبان در پایتون

روش‌های تبدیل متن به بردار (Bag of Words)00:20:32

روش‌های تبدیل متن به بردار (TF-IDF Vectorizer)00:20:58

روش‌های Word Embeddings00:13:07

روش‌های Word Embeddings – بخش دوم00:16:09

پیاده‌سازی روش‌های تبدیل متن به بردار00:20:23

پیاده‌سازی روش‌های Embedding – آشنایی با کتابخانه‌های Gensim و spaCy00:17:04

پیاده‌سازی روش‌های Embedding – آشنایی با کتابخانه‌های Gensim و spaCy (بخش دوم)00:17:44

مصورسازی Word Embeddings00:17:03

کار با مدل های زبانی بزرگ در پایتون

کلمه کلیدی in و رشته‌ها

→ قبلی بعد ←

پیش پردازش متن در پایتون

مقایسه رشته‌ها00:02:43

روش‌های مهم کار با رشته00:16:53

جست‌وجو در رشته‌ها00:04:11

عبارت باقاعده (regular expression) – بخش اول00:20:40

عبارت باقاعده (regular expression) – بخش دوم00:27:03

عبارت باقاعده (regular expression) – بخش سوم00:20:28

عبارت باقاعده (regular expression) – بخش چهارم00:30:47

عبارت باقاعده (regular expression) – بخش پنجم00:13:41

عبارت باقاعده (regular expression) – بخش ششم00:15:23

عبارت باقاعده (regular expression) – بخش هفتم00:20:31

عبارت باقاعده (regular expression) – بخش هشتم00:20:17

عبارت باقاعده (regular expression) – بخش نهم00:19:51

عبارت باقاعده (regular expression) – بخش دهم00:07:37

پردازش و پاکسازی داده‌های متنی – بخش اول00:20:02

پردازش و پاکسازی داده‌های متنی – بخش دوم00:20:29

پردازش و پاکسازی داده‌های متنی – بخش سوم00:16:54

پردازش و پاکسازی داده‌های متنی – بخش چهارم00:21:51

پردازش و پاکسازی داده‌های متنی – بخش پنجم00:17:32

پردازش زبان های طبیعی با پایتون

آشنایی با پردازش زبان‌های طبیعی (NLP)00:20:51

وظایف پردازش زبان‌های طبیعی (NLP Tasks) – بخش اول00:18:01

وظایف پردازش زبان‌های طبیعی (NLP Tasks) – بخش دوم00:10:55

کاربردهای پردازش زبان‌های طبیعی00:17:59

چالش‌های پردازش زبان‌های طبیعی00:05:35

آشنایی با کتابخانه NLTK – بخش اول00:21:40

آشنایی با کتابخانه NLTK – بخش دوم00:19:47

آشنایی با کتابخانه NLTK – بخش سوم00:20:45

آشنایی با کتابخانه NLTK – بخش چهارم00:18:32

کتابخانه‌های پردازش متون فارسی در پایتون – هضم (Hazm)00:23:38

کتابخانه‌های پردازش متون فارسی در پایتون – هضم (بخش دوم)00:14:00

کتابخانه‌های پردازش متون فارسی در پایتون – هضم (بخش سوم)00:11:35

کتابخانه‌های پردازش متون فارسی در پایتون – پارسی‌وار (Parsivar)00:13:05

کارگاه NLP در پایتون – استخراج متون00:17:16

کارگاه NLP در پایتون – پیش‌پردازش و پاکسازی متن00:16:09

کارگاه NLP (بخش دوم) در پایتون – پیش‌پردازش و پاکسازی متن00:13:37

کارگاه NLP (بخش سوم) در پایتون – پیش‌پردازش و پاکسازی متن00:14:29

کارگاه NLP (بخش چهارم) در پایتون – پیش‌پردازش و پاکسازی متن00:22:55

یادگیری ماشین برای پردازش زبان در پایتون

روش‌های تبدیل متن به بردار (Bag of Words)00:20:32

روش‌های تبدیل متن به بردار (TF-IDF Vectorizer)00:20:58

روش‌های Word Embeddings00:13:07

روش‌های Word Embeddings – بخش دوم00:16:09

پیاده‌سازی روش‌های تبدیل متن به بردار00:20:23

پیاده‌سازی روش‌های Embedding – آشنایی با کتابخانه‌های Gensim و spaCy00:17:04

پیاده‌سازی روش‌های Embedding – آشنایی با کتابخانه‌های Gensim و spaCy (بخش دوم)00:17:44

مصورسازی Word Embeddings00:17:03

کار با مدل های زبانی بزرگ در پایتون

مروری بر یادگیری ماشین00:15:18

مروری بر یادگیری ماشین (بخش دوم)00:16:05

کاربردهای یادگیری ماشین در پردازش متن00:16:45

(بخش دوم) کاربردهای یادگیری ماشین در پردازش متن00:19:22

کاربردهای یادگیری ماشین در پردازش متن (بخش سوم)00:20:55

Topic Modelling – بخش اول00:19:42

Topic Modelling – بخش دوم00:19:38

Topic Modelling – بخش سوم00:22:26

Topic Modelling – بخش چهارم00:15:04

شبکه‌های عصبی مصنوعی00:19:50

شبکه‌های عصبی مصنوعی – بخش دوم00:07:52

آموزش یک شبکه عصبی00:13:14

آموزش یک شبکه عصبی – بخش دوم00:19:49

معرفی شبکه‌های Sequence-to-Sequence00:24:09

شبکه‌های عصبی بازگشتی00:18:55

شبکه‌های عصبی بازگشتی – بخش دوم00:21:15

شبکه‌های عصبی بازگشتی – بخش سوم00:17:37

آشنایی با PyTorch00:19:35

ویژگی‌های PyTorch00:20:06

ماژول‌های PyTorch00:18:38

ایجاد شبکه‌های عصبی در PyTorch00:15:24

ایجاد شبکه‌های عصبی در PyTorch – بخش دوم00:16:28

کار با داده‌ها در PyTorch00:19:35

تحلیل احساسات با استفاده از شبکه‌های RNN، GRU، و LSTM00:21:31

تحلیل احساسات با استفاده از شبکه‌های RNN، GRU، و LSTM – ادامه00:18:42

معرفی مکانیزم Attention00:20:54

مکانیزم Attention – بخش دوم00:21:05

مکانیزم Attention – بخش سوم00:22:57

مدل زبانی00:22:48

معرفی معماری Transformers و Fine Tuning00:22:09

آموزش و Fine-tuning مدل‌های زبانی00:17:59

آموزش و Fine-tuning مدل‌های زبانی – بخش دوم00:20:14