خرید اشتراک

بلاگ

کارآموزی

محصولات سازمانی

بوت‌کمپ‌ها

درباره آکادمی

مدت

مدرک

تاریخ به روز رسانی

دوره آموزشی کارشناس پردازش زبان طبیعی (+119ساعت آموزش) - آکادمی همراه

کارشناس پردازش زبان طبیعی

پردازش زبان طبیعی (Natural Language Processing) به مجموعه‌ای از فنون و روش‌های محاسباتی اشاره دارد که برای پردازش و تحلیل داده‌های مربوط به زبان طبیعی (مانند زبان انسان) استفاده می‌شود. این فناوری از ترکیب تئوری‌ها و الگوریتم‌های مربوط به زبان شناسی، ریاضیات و علوم کامپیوتر برای تحلیل و درک متون به زبان طبیعی استفاده می‌کند. با استفاده از پردازش زبان طبیعی، می‌توان پرسش و پاسخ خودکار، تولید متن خودکار، ترجمه ماشینی، تحلیل احساسات، خلاصه سازی متون، استخراج اطلاعات و بسیاری از سایر کاربردهای مختلف را به دست آورد. به طور کلی، هدف از پردازش زبان طبیعی این است که به ماشین‌ها امکان تفسیر و درک زبان انسان را بدهد، به طوری که بتوانند با تلاش کمتری به داده‌های مربوط به زبان طبیعی دسترسی پیدا کنند و تحلیل و پردازش کنند.

12 ساعت و 18 دقیقه

(617 رای)

الگوریتم و فلوچارت

توابع

رشته ها

ساختارهای داده

ساختارهای کنترلی

شی گرایی

فایل و مدیریت خطا

متغیرها و عملگرها

کتابخانه Matplotlib

کتابخانه NumPy

کتابخانه Pandas

8 ساعت و 36 دقیقه

(298 رای)

آمار و احتمال

بهینه سازی

جبر خطی

11 ساعت و 48 دقیقه

(103 رای)

الگوریتم‌های بازگشتی

الگوریتم‌های مرتب‌سازی

روش‌های تحلیل الگوریتم

ساختمان داده Hash

ساختمان داده‌های پایه

ساختمان‌ داده درخت‌

ساختمان‌ داده گراف

طراحی الگوریتم و روش‌های حل مسئله

معرفی دوره

10 ساعت و 4 دقیقه

(209 رای)

آشنایی با زبان SQL

اجزای طراحی پایگاه داده

اصول طراحی پایگاه داده رابطه‌ای

پیاده سازی

چرخه توسعه پایگاه داده

عملیات در پایگاه داده رابطه‌ای

مقدمه و کلیات

14 ساعت و 27 دقیقه

(147 رای)

!Welcome to Machine Learning

Bayesian Networks

Decision Tree

Ensembles of Classifiers

Evaluation Metrics for Classification

Gaussian Naive Bayes

K-nearest neighbors

Linear Regression

Logistic Regression & Roc Curve

Multiclass

Support Vector Machine

11 ساعت و 58 دقیقه

(93 رای)

Clustering Algorithms

معیار‌های فاصله و شباهت

انواع روش‌های خوشه‌بندی

خوش‌بندی سلسله مراتبی

الگوریتم K-means

الگوریتم Kernel K-means

الگوریتم DBSCAN

معیار‌های ارزیایی خوشه‌بندی

مقایسه Linkage‌ های مختلف در خوشه‌بندی سلسله مراتبی (Programming)

نحوه استفاده از الگوریتم DBSCAN و ارزیابی آن (Programming)

پیاده‌سازی الگوریتم k-means روی مجموعه داده digits (Programming)

استفاده از الگوریتم k-means برای color quantization (Programming)

Density Estimation

Dimensionality Reduction

introduction

Normalizing Flows

Semi-Supervised Learning

Transfer Learning and Self-Supervised Learning

VAE

تشخیص ناهنجاری (Anomaly detection)

11 ساعت و 51 دقیقه

(147 رای)

آموزش و بهینه سازی شبکه های عمیق

اتوانکدر

شبکه عصبی کانولوشنال(CNN)

معماری شبکه‌های عصبی عمیق

مقدمه‌ای بر یادگیری عمیق

هوش مصنوعی

یادگیری انتقالی

یادگیری ماشین

مقدمات پیاده‌ سازی

پیاده سازی مدل‌های یادگیری عمیق

شبکه‌های بازگشتی و ترانسفورمرها

13 ساعت و 31 دقیقه

(35 رای)

مقدمه

مرور یادگیری ماشین

Markov Decision Process(MDP)

dynamic programming

model-free method: گرادیان سیاست

model-free method: روش های مبتنی بر ارزش

model-free method:‌ روش های actor-critic

model based method

Imitation learning

یادگیری تقویتی برون خطی

یادگیری تقویتی با بازخورد انسانی (RLHF)

Multi-Armed Bandit

کدنویسی بخش روش مبتنی بر ارزش

کدنویسی بخش روش مبتنی بر ارزش۲

کدنویسی بخش روش مبتنی بر مدل

کدنویسی بخش multi armed bandit

کد نویسی بخش روش مبتنی بر گرادیان سیایت

7 ساعت و 49 دقیقه

(32 رای)

مقدمه

آشنایی با تکنیک های تعبیه گره ها

دسته بندی روش های یادگیری ماشین روی گراف ها

شهود روش های تعبیه گرافی و هدف آن

به دست آوردن شباهت با استفاده از قدم زدن تصادفی

الگوریتم node2vec

به دست آوردن تعبیه ها برای یک گراف

بکار گیری الگوریتم nod2vec بر روی یک مجموعه داده با python

مقدمه ای بر شبکه های عصبی گرافی

خلاصه ای از جلسه قبل و مبانی یادگیری عمیق

یادگیری عمیق برای گراف ها

شبکه های پیچشی گرافی

ریاضیات مدل و فرآیند آموزش

طراحی مدل و قابلیت استنتاج

مقایسه ی شبکه های عصبی گرافی با شبکه های عصبی پیچشی

پیاده سازی شبکه‌های عصبی گرافی پیچشی با pytorch

نمایی کلی از شبکه های عصبی گرافی

استفاده از GNN ها برای سیستم های توصیه گر

مقدمه ای بر سیستم های توصیه گر

بکار گیری گراف در سیستم های توصیه گر

مدل های مبتنی بر تعبیه برای سیستم های توصیه گر

معرفی روش فیلترینگ مشارکتی گراف عصبی

معرفی روش light GCN

بکارگیری روش lightGCN برای سیستم‌های توصیه‌گر

معرفی روش pinSAGE‌ و کاربرد آن در شبکه pinterest

شبکه های عصبی بازگشتی گرافی برای تولید گراف

22 ساعت و 35 دقیقه

(121 رای)

بازنمایی کلمات

بازنمایی‌های مبتنی بر بافت و کاربرد آن در چت‌بات‌ها

پاسخ تمرین ها

پیش‌پردازش متن

جلسات پرسش و پاسخ

چت‌بات‌های مکالمه محور

چت‌بات‌های وظیفه محور

مدل‌سازی دنباله‌ای شبکه‌های مکرر و ترانسفورمر

مدل‌های زبانی عصبی

مقدمه‌ای بر سطوح زبان‌شناسی و مدل‌های زبانی احتمالاتی

13 ساعت و 41 دقیقه

(53 رای)

مقدمه

basic text processing

مدل های زبانی

text classification

معیار های ارزیابی

بردار های جاسازی

شبکه های عصبی

part of speech tagging

NER

سیستم های گفتگو

سیستم های توصیه گر

11 ساعت و 21 دقیقه

(39 رای)

مقدمه

مباحث پیشرفته یادگیری ماشین

ensemble methods

Deep Reinforcement Learning

Capsule Networks

Neural Turing Machines

Advanced Recurrent Neural Networks (RNNs)

Advance GANs

Variational Autoencoders

Diffusion Models

Transformers

Transfer Learning and Fine-Tuning

Prompt Engineering

پروژه

3 ساعت و 23 دقیقه

(94 رای)

مبانی CI/CD

معرفی متدولوژی های توسعه نرم افزار

چرخه عمر DevOps

طریقه پیاده سازی Gitflow

نصب و راه‌اندازی گیت‌لب

پایپ‌لاین CI/CD

راه‌اندازی گیت‌لب رانر

سامانه ارزیابی کیفیت کد(سونار‌کیوب)

داکر

مدیریت خط تولید

مثال عملی

ارزیابی کیفیت کد پروژه یادگیری ماشین در پایپ لاین 01

ارزیابی کیفیت کد پروژه یادگیری ماشین در پایپ لاین 02

9 ساعت و 2 دقیقه

(47 رای)

مبانی و مفاهیم اولیه

مقدمه، مشاهده یک پرامپت، مبانی

مبانی و مفاهیم پرامپت‌نویسی

اصول و قواعد پرامپت‌نویسی

مدل‌ها و ابزارهای پرامپت‌نویسی

بررسی تغییر متغیرهای پرامپت‌نویسی و اثر آن‌ها

تمرین نکات اموزشی فصل اول و اجزای پرامپت

پیاده‌سازی یک ایجنت هوش مصنوعی ساده و مرور پرامپت‌های پیشرفته

یادگیری مدل‌های مختلف، ابزارها و بهینه‌سازی پرامپت

روش‌های پیشرفته پرامپت نویسی

روش‌های نوظهور و کاربردی پرامپت نویسی

روش‌های کاربردی پرامپت‌نویسی بخش اول

روش‌های کاربردی پرامپت‌نویسی بخش دوم

روش‌های کاربردی پرامپت‌نویسی بخش سوم

روش‌های کاربردی پرامپت‌نویسی بخش چهارم

مرور کدهای روش DSP

مرور کد active prompt بخش اول

مرور کد active prompt بخش دوم

مرور کد Tree of Thoughts

مرور کد Automatic reasoning and Tool-use بخش اول

مرور کد Automatic reasoning and Tool-use بخش دوم

مرور کد Program-aided language

مرور کد React

مرور کد Chain of Table

مرور کد Automatic Prompt Engineering

مرور کد Least-to-Most

مرور کد RAG بخش اول

مرور کد RAG بخش دوم

مهارت‌های عملی پرامپت نویسی

7 ساعت و 40 دقیقه

(17 رای)

مقدمه

CLIP

VLM (Vision-Language Models)

آموزش مدل Dual Encoder (مشابه CLIP) با فریم‌ورک Keras

معرفی SigLIP

Image Captioning با Qwen

توصیف تصویر فارسی (Persian Image Captioning)

شناسایی اشیاء (Object Detection)

استفاده از مدل چندوجهی Gemma 3 – بخش اول

استفاده از مدل چندوجهی Gemma 3 – بخش دوم

درک ویدئو با Qwen VL – بخش اول

درک ویدئو با Qwen VL – بخش دوم

Fine-tune کردن و تکنیک PEFT

Diffusion Model

آشنایی با تکنیک Diffusion

آشنایی با معماری UNet

استفاده از کتابخانه‌ی Diffusers و آموزش تولید تصویر – بخش ۱

استفاده از کتابخانه‌ی Diffusers و آموزش تولید تصویر – بخش ۲

بارگذاری یک مدل از پیش آموزش‌داده‌شده و خروجی گرفتن با DDIM

Fine-tuning مدل

مفهوم Control و Guidance

12 ساعت و 18 دقیقه

(72 رای)

Data Lifecycle in Production

Deploying ML Models in Production

Hands-on

ML in Production

ML Modeling Pipelines in Production

3 دقیقه

(کمتر از 5 رای)

مشخصات مسیر یادگیری

مدت

189 ساعت و 43 دقیقه

مدرک

ندارد

تاریخ به روز رسانی

1404/07/27

15,200,000تومان

هر قسط با اسنپ پی : 3,800,000 تومان

4 قسط ماهانه، بدون چک و ضامن.

کارشناس پردازش زبان طبیعی

برنامه نویسی پایتون

ریاضیات در علوم‌داده و هوش مصنوعی

ساختمان داده و طراحی الگوریتم

اصول پایگاه داده مقدماتی

یادگیری ماشین نظارت شده

یادگیری ماشین بدون نظارت

یادگیری عمیق

یادگیری تقویتی

شبکه‌های عصبی گرافی

پردازش زبان طبیعی(NLP)

پردازش زبان طبیعی با یادگیری عمیق

هوش مصنوعی مولد با رویکرد مدل‌های زبانی بزرگ

آموزش کاربردی CI/CD

مهندسی پرامپت

هوش مصنوعی چندوجهی (Multimodal AI)

MLOps

پروژه مسیر یادگیری پردازش زبان طبیعی

مشخصات مسیر یادگیری