در این مطلب، ویدئو سه دسته تکنیک برای NLP : آموزش ان ال پی برای مبتدیان در پایتون – 4 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:12:34
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,160 –> 00:00:02,320
امروز میخواهیم قبل از ادامه گفتگو، سه
2
00:00:02,320 –> 00:00:04,560
دسته کلی از تکنیکها را
3
00:00:04,560 –> 00:00:07,440
که برای حل هر مشکل nlp استفاده میشوند، مورد بحث قرار
4
00:00:07,440 –> 00:00:08,880
دهیم
5
00:00:08,880 –> 00:00:11,679
، پیشنیازهای کمی وجود دارد
6
00:00:11,679 –> 00:00:14,160
که باید رعایت کنید و اگر آنها را بشناسید
7
00:00:14,160 –> 00:00:16,560
8
00:00:16,560 –> 00:00:18,320
، اکنون درک مکالمه امروز آسانتر خواهد شد.
9
00:00:18,320 –> 00:00:20,160
به نظر می رسد از نظر پیش نیازها چیزهای زیادی برای یادگیری وجود دارد،
10
00:00:20,160 –> 00:00:22,240
بنابراین اگر
11
00:00:22,240 –> 00:00:23,519
هنوز می خواهید با این
12
00:00:23,519 –> 00:00:25,199
لیست پخش ادامه دهید، ادامه دهید
13
00:00:25,199 –> 00:00:26,640
و همانطور
14
00:00:26,640 –> 00:00:28,880
که ویدیوهای بیشتری را در هر یک از ویدیوها مرور می کنیم
15
00:00:28,880 –> 00:00:31,519
، به شما خواهم گفت که آیا برخی از این
16
00:00:31,519 –> 00:00:35,760
پیش نیازها ضروری هستند یا خیر.
17
00:00:38,719 –> 00:00:40,960
اولین مورد مشخصا دانش پایتون است،
18
00:00:40,960 –> 00:00:42,800
بنابراین اگر به جستجوی یوتیوب
19
00:00:42,800 –> 00:00:45,200
برای آموزش اصول پایه پایتون در این
20
00:00:45,200 –> 00:00:47,760
لیست پخش مرتبط میروید، ابتدا باید آن را دنبال کنید
21
00:00:47,760 –> 00:00:49,039
22
00:00:49,039 –> 00:00:52,320
، میگویم 16 یا 17 ویدیو،
23
00:00:52,320 –> 00:00:54,079
دومی یادگیری ماشینی
24
00:00:54,079 –> 00:00:55,840
در کدهای جستجوی یوتیوب اصول
25
00:00:55,840 –> 00:00:58,000
یادگیری ماشینی است. یکی از پلی
26
00:00:58,000 –> 00:00:59,920
لیست های محبوب در یوتیوب است
27
00:00:59,920 –> 00:01:00,960
و
28
00:01:00,960 –> 00:01:02,480
تقریباً می توانید همه
29
00:01:02,480 –> 00:01:05,760
ویدیوها را دنبال کنید تا مثلاً 17 یا 18 ویدیو را دنبال کنید
30
00:01:05,760 –> 00:01:07,280
و بعد از آن
31
00:01:07,280 –> 00:01:09,119
من چند پروژه دارم.
32
00:01:09,119 –> 00:01:10,720
اگر پروژه را انجام می دهید زیاد نگران پروژه ها نباشید
33
00:01:10,720 –> 00:01:12,560
البته این به شما کمک خواهد کرد اما
34
00:01:12,560 –> 00:01:14,880
از نظر پیش نیازهای nlp این
35
00:01:14,880 –> 00:01:17,119
تعداد زیاد ویدیوها به اندازه کافی خوب هستند
36
00:01:17,119 –> 00:01:19,040
جستجو برای اصول کد یادگیری عمیق در
37
00:01:19,040 –> 00:01:21,439
یوتیوب دوباره من یک لیست پخش یادگیری عمیق
38
00:01:21,439 –> 00:01:22,560
39
00:01:22,560 –> 00:01:24,159
دارم که در آن صحبت کردم. در مورد مفاهیم مختلف یادگیری عمیق،
40
00:01:24,159 –> 00:01:26,000
بنابراین کاری که می توانید انجام دهید این است
41
00:01:26,000 –> 00:01:27,600
که می توانید از ابتدا شروع کنید
42
00:01:27,600 –> 00:01:31,200
و تمام ویدیوها را تا
43
00:01:31,200 –> 00:01:32,799
فرض کنید تا 15 دنبال کنید.
44
00:01:32,799 –> 00:01:35,360
45
00:01:35,360 –> 00:01:36,960
46
00:01:36,960 –> 00:01:38,400
47
00:01:38,400 –> 00:01:40,880
48
00:01:40,880 –> 00:01:42,399
مخصوص
49
00:01:42,399 –> 00:01:44,960
مشکل بینایی کامپیوتر است
50
00:01:44,960 –> 00:01:45,920
و
51
00:01:45,920 –> 00:01:47,680
در یک نقطه شروع به صحبت در مورد
52
00:01:47,680 –> 00:01:50,479
شبکه عصبی مکرر می کنم که
53
00:01:50,479 –> 00:01:51,280
به
54
00:01:51,280 –> 00:01:54,640
nlp و پردازش زبان طبیعی مربوط می شود، بنابراین
55
00:01:54,640 –> 00:01:59,280
شما می توانید از rnn تا
56
00:01:59,280 –> 00:02:01,280
اینکه در اینجا چه کار کنید،
57
00:02:01,280 –> 00:02:03,759
این یکی را می توانید رد کنید
58
00:02:03,759 –> 00:02:05,119
و سپس
59
00:02:05,119 –> 00:02:07,200
طبقه بندی کلمات و کلمات را دنبال کنید. این دو
60
00:02:07,200 –> 00:02:09,199
مهم هستند، بنابراین
61
00:02:09,199 –> 00:02:10,479
اگر میبینید که آیا
62
00:02:10,479 –> 00:02:13,120
همه این ویدیوها را دیدهاید، در این لیست پخش nlp به شما کمک میکند،
63
00:02:13,120 –> 00:02:15,680
اما اگر
64
00:02:15,680 –> 00:02:18,560
زمان زیادی برای مرور این موارد ندارید.
65
00:02:18,560 –> 00:02:21,040
اگر پیش نیازی وجود داشته باشد، میتوانید از این مجموعه و در
66
00:02:21,040 –> 00:02:22,640
ویدیوی فردی استفاده کنید،
67
00:02:22,640 –> 00:02:25,200
68
00:02:25,200 –> 00:02:27,200
من ذکر میکنم که
69
00:02:27,200 –> 00:02:29,440
برای درک این سه دسته کلی به چند مثال ملموس نگاه میکنیم، در
70
00:02:29,440 –> 00:02:32,080
71
00:02:32,080 –> 00:02:34,239
اینجا ایمیلی است که در آن
72
00:02:34,239 –> 00:02:37,280
بلیط هواپیما رزرو کردم. مادرشوهرم
73
00:02:37,280 –> 00:02:38,319
و وقتی
74
00:02:38,319 –> 00:02:40,640
جیمیل
75
00:02:40,640 –> 00:02:43,599
این بلیط پرواز را در ایمیل شناسایی کرد،
76
00:02:43,599 –> 00:02:45,040
کاری که انجام دادند این
77
00:02:45,040 –> 00:02:47,599
بود که اطلاعات را استخراج کردند، بنابراین یکی
78
00:02:47,599 –> 00:02:48,480
از
79
00:02:48,480 –> 00:02:50,640
مشکلات در دنیای nlp
80
00:02:50,640 –> 00:02:52,959
استخراج اطلاعات است
81
00:02:52,959 –> 00:02:55,360
و منظور من از آن این است که این
82
00:02:55,360 –> 00:02:57,680
خلاصه را در بالا میبینید. بنابراین وقتی این ایمیل را باز میکنید،
83
00:02:57,680 –> 00:02:58,560
84
00:02:58,560 –> 00:03:01,120
گوگل خلاصه خوبی ارائه میکند که
85
00:03:01,120 –> 00:03:03,040
86
00:03:03,040 –> 00:03:05,599
منبع مقصد پرواز چه زمانی شماره تأیید مدت پرواز است.
87
00:03:05,599 –> 00:03:07,120
88
00:03:07,120 –> 00:03:09,840
89
00:03:09,840 –> 00:03:11,760
90
00:03:11,760 –> 00:03:14,159
91
00:03:14,159 –> 00:03:15,920
من
92
00:03:15,920 –> 00:03:18,239
در مورد این ویدیو صحبت می کنم
93
00:03:18,239 –> 00:03:20,959
آنها از عبارت منظم استفاده می کنند به
94
00:03:20,959 –> 00:03:24,159
عنوان مثال برای دریافت شماره تایید
95
00:03:24,159 –> 00:03:25,680
شما می توانید به دنبال رشته ای مانند
96
00:03:25,680 –> 00:03:27,920
رزرو رزرو و هر چیزی که به دنبال
97
00:03:27,920 –> 00:03:28,720
آن است بگردید.
98
00:03:28,720 –> 00:03:30,560
به احتمال زیاد باید یک عدد تایید باشد،
99
00:03:30,560 –> 00:03:31,519
100
00:03:31,519 –> 00:03:32,879
بنابراین عبارت منظم یک
101
00:03:32,879 –> 00:03:36,560
روش بسیار موثر و بسیار دقیق برای
102
00:03:36,560 –> 00:03:38,959
استخراج اطلاعات است.
103
00:03:38,959 –> 00:03:40,720
گوگل ممکن است از تکنیک های دیگری
104
00:03:40,720 –> 00:03:42,480
استفاده کند، اما من فقط می گویم که
105
00:03:42,480 –> 00:03:44,159
عبارت منظم
106
00:03:44,159 –> 00:03:45,920
یکی از تکنیک هایی است که می توانید
107
00:03:45,920 –> 00:03:46,799
108
00:03:46,799 –> 00:03:48,959
برای استخراج اطلاعات از آن استفاده کنید.
109
00:03:48,959 –> 00:03:51,360
مشکل دیگری که ما به آن نگاه کردیم این بود
110
00:03:51,360 –> 00:03:53,760
که اگر در سمت راست برای ایلان ماسک جستجو
111
00:03:53,760 –> 00:03:56,720
کنید،
112
00:03:56,720 –> 00:03:58,640
تمام آن اطلاعات و
113
00:03:58,640 –> 00:03:59,840
اطلاعات کلیدی را به شما نشان می دهد که
114
00:03:59,840 –> 00:04:01,200
این نیز
115
00:04:01,200 –> 00:04:03,360
با استفاده از یک عبارت منظم است و ما
116
00:04:03,360 –> 00:04:05,360
در این ویدیوی خاص به این مورد خاص استفاده
117
00:04:05,360 –> 00:04:07,200
کردیم. اگر
118
00:04:07,200 –> 00:04:08,799
این ویدیو را ندیدید، لطفاً آن را ببینید
119
00:04:08,799 –> 00:04:11,599
و رویکرد بیان منظم
120
00:04:11,599 –> 00:04:13,280
اساساً
121
00:04:13,280 –> 00:04:15,280
قوانین و اکتشافی است،
122
00:04:15,280 –> 00:04:17,279
بنابراین اولین
123
00:04:17,279 –> 00:04:18,639
تکنیکی است که شامل
124
00:04:18,639 –> 00:04:20,720
یادگیری عمیق ماشینی نمیشود، بلکه
125
00:04:20,720 –> 00:04:23,600
اساساً فقط قوانین و اکتشافی است که شما حل میکنید و
126
00:04:23,600 –> 00:04:24,639
127
00:04:24,639 –> 00:04:28,639
برای حل آن استفاده میکنید. یک مشکل داده شده
128
00:04:28,639 –> 00:04:31,680
مورد استفاده محبوب دیگر در nlp
129
00:04:31,680 –> 00:04:33,680
طبقه بندی متن است که تشخیص هرزنامه است،
130
00:04:33,680 –> 00:04:35,040
131
00:04:35,040 –> 00:04:37,919
بنابراین در اینجا یک e واقعی دیگر وجود دارد. ایمیلی از جیمیل من
132
00:04:37,919 –> 00:04:39,280
133
00:04:39,280 –> 00:04:40,639
که در آن
134
00:04:40,639 –> 00:04:42,240
می دانید شخصی به من ایمیلی فرستاده است که می
135
00:04:42,240 –> 00:04:45,120
گوید 55 میلیون دلار در
136
00:04:45,120 –> 00:04:48,400
یک حساب وجود دارد و من باید آن را ادعا کنم
137
00:04:48,400 –> 00:04:49,440
و آنها
138
00:04:49,440 –> 00:04:51,680
برخی از کلمات کلیدی را در اینجا تشخیص می دهند که می گویند شما
139
00:04:51,680 –> 00:04:54,160
کمک فوری کسب و کار می
140
00:04:54,160 –> 00:04:56,479
بینید سپس 55 میلیون دلار
141
00:04:56,479 –> 00:04:59,280
هیچکس به شما 55 نمی دهد. میلیون دلار به صورت رایگان
142
00:04:59,280 –> 00:05:00,960
و ایمیل از برخی
143
00:05:00,960 –> 00:05:02,320
آدرس های جیمیل شخصی می آید و اینها
144
00:05:02,320 –> 00:05:05,280
نشان می دهد که می تواند یک اسپم باشد
145
00:05:05,280 –> 00:05:06,479
و روشی
146
00:05:06,479 –> 00:05:08,400
که تشخیص هرزنامه می تواند به
147
00:05:08,400 –> 00:05:12,080
روشی ابتدایی کار کند این است که متن را از
148
00:05:12,080 –> 00:05:13,520
ایمیل خود
149
00:05:13,520 –> 00:05:15,199
می گیرید و آن را به بردار عدد تبدیل می کنید.
150
00:05:15,199 –> 00:05:17,520
چون مدلهای یادگیری ماشینی
151
00:05:17,520 –> 00:05:20,320
متن را نمیفهمند، باید
152
00:05:20,320 –> 00:05:22,240
آن را به عدد تبدیل کنید و
153
00:05:22,240 –> 00:05:24,320
بردار شمارش یکی از تکنیکهای اکنون است
154
00:05:24,320 –> 00:05:27,120
اگر در مورد count vectorizer
155
00:05:27,120 –> 00:05:28,320
نمیدانید نگران نباشید
156
00:05:28,320 –> 00:05:31,919
من یک ویدیو برای آن دارم، بنابراین اگر به یوتیوب بروید
157
00:05:31,919 –> 00:05:33,120
158
00:05:33,120 –> 00:05:34,000
و به
159
00:05:34,000 –> 00:05:37,360
دنبال اصول اولیه کد ساده و بی تکلف
160
00:05:37,360 –> 00:05:39,199
باشید، دو ویدیوی من را پیدا خواهید کرد و
161
00:05:39,199 –> 00:05:42,000
اگر به ویدیوی دوم که
162
00:05:42,000 –> 00:05:42,880
در مورد
163
00:05:42,880 –> 00:05:46,160
بردار شمارش صحبت کردهام نگاه کنید، بنابراین میبینید
164
00:05:46,160 –> 00:05:48,880
که هر یک از کلمات را میگیرید و میشمارید
165
00:05:48,880 –> 00:05:52,080
یا وقوع t اگر متوجه نشدید، دوباره کلمات شلنگی در یک سند داده
166
00:05:52,080 –> 00:05:54,639
167
00:05:54,639 –> 00:05:55,919
شده را متوجه نشدید،
168
00:05:55,919 –> 00:05:58,800
نگران نباشید، فقط در ذهن خود فکر کنید
169
00:05:58,800 –> 00:06:00,800
که راهی برای تبدیل متن
170
00:06:00,800 –> 00:06:03,440
به اعداد وجود دارد
171
00:06:03,440 –> 00:06:05,680
و شما آن را به یک طبقهبندی کننده ساده بیسابقه وارد میکنید،
172
00:06:05,680 –> 00:06:07,919
بنابراین طبقهبندی کننده ساده و بیتفاوت
173
00:06:07,919 –> 00:06:09,680
یک
174
00:06:09,680 –> 00:06:11,759
تکنیک یادگیری ماشین آماری
175
00:06:11,759 –> 00