در این مطلب، ویدئو تشخیص احساسات NLP در پایتون: روشهای یادگیری عمیق و مبتنی بر واژگان را با آموزش مقایسه کنید 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: 00:11:39
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,480 –> 00:00:02,879
سلام به همه، نام من jacquin wan است،
2
00:00:02,879 –> 00:00:05,040
من یک کاندیدای دکترا در دانشگاه
3
00:00:05,040 –> 00:00:07,120
فلوریدا مرکزی هستم و امروز قصد دارم به
4
00:00:07,120 –> 00:00:09,360
شما نشان دهم که چگونه تشخیص احساسات را در
5
00:00:09,360 –> 00:00:11,519
پایتون انجام دهید،
6
00:00:11,519 –> 00:00:12,960
ابتدا به
7
00:00:12,960 –> 00:00:14,400
دستور کار خود
8
00:00:14,400 –> 00:00:15,920
نگاهی می اندازیم. به درک اینکه چگونه
9
00:00:15,920 –> 00:00:17,920
تشخیص احساسات با
10
00:00:17,920 –> 00:00:19,840
تجزیه
11
00:00:19,840 –> 00:00:21,520
و تحلیل احساسات متفاوت است، میفهمیم که چرا
12
00:00:21,520 –> 00:00:24,240
تشخیص حرکت مفید است،
13
00:00:24,240 –> 00:00:26,400
سپس روشهای مبتنی بر فرهنگ لغت را
14
00:00:26,400 –> 00:00:28,480
با روشهای یادگیری عمیق مقایسه میکنم
15
00:00:28,480 –> 00:00:31,760
و مزایا و معایب آنها را درک
16
00:00:31,760 –> 00:00:33,760
میکنم و در نهایت با استفاده از بسته را با یک نوت بوک پایتون به پایان میرسانیم.
17
00:00:33,760 –> 00:00:35,920
18
00:00:35,920 –> 00:00:40,879
nrc lex که یک روش مبتنی بر واژگان است
19
00:00:41,360 –> 00:00:43,520
و به اولین سوال می پردازد که تشخیص احساسات چگونه با
20
00:00:43,520 –> 00:00:45,280
21
00:00:45,280 –> 00:00:47,440
تجزیه و تحلیل احساسات متفاوت است تا به شما
22
00:00:47,440 –> 00:00:49,280
پیش زمینه ای ارائه کنم که در
23
00:00:49,280 –> 00:00:51,680
اوایل امسال در انجمن علوم عاطفی حضور
24
00:00:51,680 –> 00:00:53,120
داشتم، کنفرانسی است که در آن
25
00:00:53,120 –> 00:00:55,360
محققان دانشگاهی که احساسات را مطالعه می کنند
26
00:00:55,360 –> 00:00:58,719
گرد هم می آیند. و آخرین یافتههای خود را
27
00:00:58,719 –> 00:01:00,879
در این کنفرانس به اشتراک بگذارند، محققان
28
00:01:00,879 –> 00:01:03,120
مکرراً چارچوبی محبوب و قابل
29
00:01:03,120 –> 00:01:05,360
احترام به نام حلقه
30
00:01:05,360 –> 00:01:09,200
m را مطرح کردند. odel که توسط
31
00:01:09,200 –> 00:01:12,479
پوزنر ساخته شده است، احساسات را در یک صفحه دو بعدی
32
00:01:12,479 –> 00:01:15,119
در محور x ترسیم می کند، ما می دانیم که یک احساس چقدر دلپذیر
33
00:01:15,119 –> 00:01:16,320
است
34
00:01:16,320 –> 00:01:18,799
و در محور y سطح فعال
35
00:01:18,799 –> 00:01:21,439
سازی یک احساس را داریم،
36
00:01:21,439 –> 00:01:23,920
به عنوان مثال احساس هیجان بسیار
37
00:01:23,920 –> 00:01:26,960
فعال و خوشایند است
38
00:01:26,960 –> 00:01:29,200
و احساس آرامش خوشایند است اما
39
00:01:29,200 –> 00:01:32,159
40
00:01:33,119 –> 00:01:35,520
تجزیه و تحلیل احساسات غیرفعال شده در علم داده
41
00:01:35,520 –> 00:01:38,479
معمولاً فقط با محور x مربوط می شود
42
00:01:38,479 –> 00:01:40,240
به عنوان مثال ما می خواهیم بفهمیم پیام کاربر
43
00:01:40,240 –> 00:01:43,439
چقدر دلپذیر است از 100 منفی تا 100
44
00:01:43,439 –> 00:01:46,960
45
00:01:46,960 –> 00:01:49,040
اما وقتی تشخیص احساسات را انجام می
46
00:01:49,040 –> 00:01:51,360
دهیم به دنبال آن هستیم. در کل حلقه، ما به
47
00:01:51,360 –> 00:01:53,200
ویژه بر روی شش
48
00:01:53,200 –> 00:01:55,840
احساس اساسی که
49
00:01:55,840 –> 00:01:57,680
در فرهنگهای مختلف جهانی
50
00:01:57,680 –> 00:01:59,360
هستند و غم و اندوه،
51
00:01:59,360 –> 00:02:00,960
انزجار،
52
00:02:00,960 –> 00:02:02,079
53
00:02:02,079 –> 00:02:03,920
ترس از تعجب
54
00:02:03,920 –> 00:02:06,240
و
55
00:02:06,240 –> 00:02:08,239
شادی،
56
00:02:08,239 –> 00:02:10,160
57
00:02:10,160 –> 00:02:12,239
تمرکز خواهیم کرد.
58
00:02:12,239 –> 00:02:14,080
می خواهم بدانم مردم چگونه یک موضوع جدید بهداشت عمومی را درک می کنند،
59
00:02:14,080 –> 00:02:15,920
60
00:02:15,920 –> 00:02:18,319
به عنوان مثال، احساسات عمومی
61
00:02:18,319 –> 00:02:21,440
نسبت به واکسن های طمع چیست
62
00:02:21,440 –> 00:02:23,200
و آیا شما در حال انجام این کار شرکتی هستید؟
63
00:02:23,200 –> 00:02:24,959
ممکن است بخواهید بدانید مردم در
64
00:02:24,959 –> 00:02:27,200
مورد محصولات شما
65
00:02:27,200 –> 00:02:29,360
چه احساسی دارند، خوب است که
66
00:02:29,360 –> 00:02:31,840
اظهارات کاربر را از نظر احساسات کمیت و طبقه بندی کنید،
67
00:02:31,840 –> 00:02:33,440
68
00:02:33,440 –> 00:02:35,519
به عنوان مثال من عاشق این بالش ها هستم
69
00:02:35,519 –> 00:02:37,440
، حس شادی
70
00:02:37,440 –> 00:02:39,680
را منتقل می کند و وب سایت شما احساس خشم و انزجار را منتقل می کند.
71
00:02:39,680 –> 00:02:42,319
72
00:02:42,319 –> 00:02:44,400
احساسات را می توان با
73
00:02:44,400 –> 00:02:47,040
علائم نقطه گذاری و ایموجی ها و
74
00:02:47,040 –> 00:02:49,599
کلمات ناراحت کننده مانند “مک” بیان کرد، همه این
75
00:02:49,599 –> 00:02:51,360
ویژگی ها پروژکتورهای خوبی هستند وقتی که
76
00:02:51,360 –> 00:02:55,120
در حال ساخت یک مدل تشخیص حرکت هستید،
77
00:02:55,120 –> 00:02:56,720
دلیل دیگری برای انجام
78
00:02:56,720 –> 00:02:58,640
تشخیص حرکت این است که می خواهید شکایات مشتری را شناسایی کنید،
79
00:02:58,640 –> 00:03:00,319
80
00:03:00,319 –> 00:03:02,959
به عنوان مثال شخصی گفت صندلی
81
00:03:02,959 –> 00:03:05,040
درد سرهم کردن آن با
82
00:03:05,040 –> 00:03:07,040
سوراخ هایی که از قبل حفر شده اند به وجود نمی آید، بسیار ناامید است
83
00:03:07,040 –> 00:03:09,280
این نباید اتفاق بیفتد و این
84
00:03:09,280 –> 00:03:12,720
پیام حس خشم و غافلگیری را منتقل می کند.
85
00:03:12,720 –> 00:03:14,560
86
00:03:14,560 –> 00:03:16,640
87
00:03:16,640 –> 00:03:19,360
88
00:03:19,360 –> 00:03:21,360
دلیل انجام
89
00:03:21,360 –> 00:03:23,760
تشخیص حرکت این است که میخواهید
90
00:03:23,760 –> 00:03:25,200
سرنخهای فروش را شناسایی کنید،
91
00:03:25,200 –> 00:03:27,519
مثلاً کسی صبح بخیر گفت
92
00:03:27,519 –> 00:03:29,599
آیا می توانم برای حساب سرمایه گذاری خود راهنمایی دریافت کنم
93
00:03:29,599 –> 00:03:30,560
94
00:03:30,560 –> 00:03:33,120
این پیام حس شادی و
95
00:03:33,120 –> 00:03:35,280
اعتماد را منتقل می کند و این احساسات می تواند به شما کمک
96
00:03:35,280 –> 00:03:37,519
کند مشتریانی را که علاقه مند به
97
00:03:37,519 –> 00:03:40,879
ثبت نام برای خدمات بیشتر
98
00:03:40,879 –> 00:03:42,720
99
00:03:42,720 –> 00:03:44,799
هستند شناسایی کنید.
100
00:03:44,799 –> 00:03:47,599
در متن سمت چپ، روشهای مبتنی بر واژگان
101
00:03:47,599 –> 00:03:49,360
مبتنی بر قانون هستند،
102
00:03:49,360 –> 00:03:51,360
به عنوان مثال، اگر ورودی دارید که
103
00:03:51,360 –> 00:03:53,680
معلم من مرا تشویق کرده است، الگوریتم
104
00:03:53,680 –> 00:03:55,200
کلمات کلیدی را از
105
00:03:55,200 –> 00:03:58,000
جمله انتخاب میکند، در این مورد تشویق میشود و
106
00:03:58,000 –> 00:04:00,080
احساسات مرتبط با
107
00:04:00,080 –> 00:04:03,360
کلمه کلیدی را که
108
00:04:03,360 –> 00:04:05,519
برای انجام این کار، محققین زبان شناس
109
00:04:05,519 –> 00:04:07,920
از جمع سپاری برای برچسب گذاری ده ها
110
00:04:07,920 –> 00:04:11,519
هزار کلمه کلیدی با
111
00:04:11,519 –> 00:04:13,760
احساسات استفاده کرده اند، از سوی دیگر شامل
112
00:04:13,760 –> 00:04:16,399
روش هایی مانند حافظه کوتاه مدت بلند مدت
113
00:04:16,399 –> 00:04:18,238
و برت است که کوتاه برای
114
00:04:18,238 –> 00:04:20,399
نمایش رمزگذار دو طرفه
115
00:04:20,399 –> 00:04:23,040
از ترانسفورماتورها و رمزگذار جملات جهانی
116
00:04:23,040 –> 00:04:24,639
117
00:04:24,639 –> 00:04:26,400
من شما را تشویق میکنم که
118
00:04:26,400 –> 00:04:28,400
مقالات نظرسنجی اخیرا منتشر شده را بخوانید تا
119
00:04:28,400 –> 00:04:32,400
بیشتر در مورد این موضوع بیشتر بدانید
120
00:04:33,280 –> 00:04:34,880
بیایید به مزایا و معایب اصلی هر روش نگاهی بیندازیم،
121
00:04:34,880 –> 00:04:37,120
122
00:04:37,120 –> 00:04:39,360
روشهای مبتنی بر واژگان به راحتی
123
00:04:39,360 –> 00:04:40,639
قابل درک هستند،
124
00:04:40,639 –> 00:04:42,400
همچنین میتوانیم از آن برای تشخیص
125
00:04:42,400 –> 00:04:45,440
احساسات مختلط چند برچسبگذاری شده استفاده کنیم، به عنوان مثال،
126
00:04:45,440 –> 00:04:47,600
یک مادر میتواند در مورد فرزندش هم خوشحال و هم غمگین
127
00:04:47,600 –> 00:04:49,919
باشد. رفتن به دانشگاه و
128
00:04:49,919 –> 00:04:51,040
ترک خانه
129
00:04:51,040 –> 00:04:53,360
به روش های مشابه یک جمله تولید شده توسط انسان
130
00:04:53,360 –> 00:04:55,840
می تواند چندین
131
00:04:55,840 –> 00:04:58,240
احساسات متناقض را منتقل کند و این را می توان
132
00:04:58,240 –> 00:05:01,280
با روش های مبتنی بر فرهنگ واژگان
133
00:05:01,280 –> 00:05:03,280
تشخیص داد.
134
00:05:03,280 –> 00:05:05,840
135
00:05:05,840 –> 00:05:10,800
136
00:05:10,800 –> 00:05:12,639
مزیت اصلی این است که
137
00:05:12,639 –> 00:05:14,479
138
00:05:14,479 –> 00:05:17,039
برای شروع استفاده از این روش نیازی به ارائه داده های آموزش برچسب نیست
139
00:05:17,039 –> 00:05:19,280
و ما می توانیم از بسته های آماده برای
140
00:05:19,280 –> 00:05:22,960
اجرای سریع تشخیص احساسات استفاده
141
00:05:22,960 –> 00:05:24,800
142
00:05:24,800 –> 00:05:26,960
143
00:05:26,960 –> 00:05:29,360
کنیم. نمی دانم که من آن را
144
00:05:29,360 –> 00:05:32,400
دوست ندارم برعکس من آن را دوست
145
00:05:32,400 –> 00:05:34,800
دارم و نمی توانم کلمات جدید را تشخیص دهم به
146
00:05:34,800 –> 00:05:37,759
عنوان مثال covet 19 یک کلمه جدید
147
00:05:37,759 –> 00:05:40,880
است که در سال 2019 ایجاد شده است. برای اینکه
148
00:05:40,880 –> 00:05:43,039
بتوانید این کلمه را بفهمید، مگر اینکه
149
00:05:43,039 –> 00:05:44,800
فرهنگ لغت پشتیبانی کننده بسته را به روز کنید، در مرحله
150
00:05:44,800 –> 00:05:46,800
151
00:05:46,800 –> 00:05:48,720
بعدی به سراغ
152
00:05:48,720 –> 00:05:50,880
روشهای یادگیری عمیق میرویم، مزایا و معایب در
153
00:05:50,880 –> 00:05:52,639
مقایسه با
154
00:05:52,639 –> 00:05:55,039
روشهای مبتنی بر واژگان،
155
00:05:55,039 –> 00:05:56,639
گاهی اوقات روشهای یادگیر