Transformers for Natural Language Processing 2025-11 is a comprehensive, hands-on course designed to take you from the fundamentals to advanced, real-world mastery of span. Whether you are just starting out or looking to level up, this course gives you the structured path and practical projects you need to succeed.
Throughout the lessons you will build genuine confidence with span and class, learning through clear explanations and step-by-step examples you can apply immediately. Below you will find everything the course covers, who it is for, and a full breakdown of the curriculum before you download.
Course Description
Data Science: Transformers for Natural Language Processing نام دوره اموزشی علم داده: ترانسفورماتورها برای پردازش زبان طبیعی که توسط وب سایت یودمی منتشر شده است.به دوره اموزشی Data Science: Transformers for Natural Language Processing خوش آمدید. از زمانی که Transformers وارد صحنه شد، یادگیری عمیق یکسان نبوده است. یادگیری ماشینی قادر به تولید متنی است که اساساً از متنی که توسط انسان ایجاد شده است قابل تشخیص نیست ما در بسیاری از کارهای NLP، مانند ترجمه ماشینی، پاسخگویی به سؤال، مستلزم، تشخیص نهادهای نامگذاری شده و موارد دیگر، به عملکردی پیشرفته دست یافته ایم. ما مدلهای چند وجهی (متن و تصویر) ایجاد کردهایم که میتوانند هنر شگفتانگیزی را تنها با استفاده از یک پیام متنی ایجاد کنند. ما یک مشکل قدیمی در زیست شناسی مولکولی را حل کرده ایم که به نام “پیش بینی ساختار پروتئین” شناخته می شود. در این دوره، مهارت های بسیار کاربردی برای استفاده از ترانسفورماتورها و در صورت تمایل، تئوری دقیق در مورد نحوه کار ترانسفورماتورها و توجه را خواهید آموخت. این با بسیاری از منابع دیگر که فقط اولی را پوشش می دهند متفاوت است. این دوره به 3 بخش اصلی تقسیم می شود:
- استفاده از ترانسفورماتورها
- ترانسفورماتورهای تنظیم دقیق
- ترانسفورماتور در عمق
بخش 1: استفاده از ترانسفورماتورها در این بخش با نحوه استفاده از ترانسفورماتورهایی که برای شما آموزش داده شده است آشنا می شوید. انجام این کار میلیون ها دلار هزینه دارد، بنابراین چیزی نیست که بخواهید خودتان آن را امتحان کنید! خواهیم دید که چگونه می توان از این مدل های از پیش ساخته شده برای مجموعه وسیعی از وظایف استفاده کرد، از جمله: طبقه بندی متن (به عنوان مثال تشخیص هرزنامه، تجزیه و تحلیل احساسات، دسته بندی اسناد) شناسایی موجودیت نامگذاری شده خلاصه سازی متن ترجمه ماشینی پرسش و پاسخ تولید متن (قابل باور). مدل سازی زبان نقاب دار (چرخش مقاله) طبقه بندی شات صفر این در حال حاضر بسیار عملی است. اگر نیاز به تجزیه و تحلیل احساسات، دستهبندی اسناد، شناسایی موجودیت، ترجمه، خلاصهسازی و غیره بر روی اسناد در محل کار یا برای مشتریان خود دارید – در حال حاضر قدرتمندترین مدلهای پیشرفته را با تعداد بسیار کمی در اختیار دارید. خطوط کد یکی از شگفت انگیزترین برنامه ها “طبقه بندی صفر شات” است که در آن مشاهده خواهید کرد که یک مدل از پیش آموزش دیده می تواند اسناد شما را حتی بدون هیچ آموزشی دسته بندی کند.
بخش 2: ترانسفورماتورهای تنظیم دقیق در این بخش، نحوه بهبود عملکرد ترانسفورماتورها در مجموعه داده های سفارشی خود را یاد خواهید گرفت. با استفاده از «یادگیری انتقال»، میتوانید میلیونها دلار آموزشی را که قبلاً برای عملکرد بسیار خوب ترانسفورماتورها صرف شده است، استفاده کنید. خواهید دید که می توانید یک ترانسفورماتور را با کار نسبتا کمی (و هزینه کم) تنظیم دقیق کنید. ما نحوه تنظیم دقیق ترانسفورماتورها را برای عملی ترین وظایف در دنیای واقعی، مانند طبقه بندی متن (تحلیل احساسات، تشخیص هرزنامه)، تشخیص موجودیت، و ترجمه ماشینی پوشش خواهیم داد.
بخش 3: ترانسفورماتورها در عمق در این بخش، نحوه عملکرد ترانسفورماتورها را یاد خواهید گرفت. بخش های قبلی زیبا هستند، اما کمی بیش از حد زیبا هستند. کتابخانهها برای افرادی که فقط میخواهند کار را انجام دهند خوب است، اما اگر بخواهید کار جدید یا جالبی انجام دهید، کار نمیکنند. بیایید واضح بگوییم: این بسیار عملی است. ممکن است بپرسید چقدر عملی است؟ خوب، اینجا جایی است که پول های کلان است. کسانی که درک عمیقی از این مدل ها دارند و می توانند کارهایی را انجام دهند که هیچ کس قبلاً انجام نداده است، در موقعیتی هستند که دستمزدهای بالاتر و عناوین معتبر را دریافت کنند. یادگیری ماشینی یک زمینه رقابتی است و درک عمیق از نحوه کار کردن چیزها میتواند مزیتی باشد که برای برتری به آن نیاز دارید. همچنین نحوه پیاده سازی ترانسفورماتورها را از ابتدا بررسی خواهیم کرد. همانطور که ریچارد فاینمن بزرگ زمانی گفت: “آنچه را که نمی توانم خلق کنم، نمی فهمم”. پیش نیازهای پیشنهادی: مهارت های مناسب کدنویسی پایتون یادگیری عمیق با CNN و RNN مفید است اما لازم نیست یادگیری عمیق با مدلهای Seq2Seq مفید است اما لازم نیست برای بخش عمیق: درک نظریه پشت CNN، RNN و seq2seq بسیار مفید است. به روز رسانی هایی که باید منتظر آنها باشید: برنامه های کاربردی تنظیم دقیق تر سخنرانی های مفهومی عمیق تر ترانسفورماتورها از ابتدا اجرا می شوند.
Who This Course Is For
- هر کسی که می خواهد بر پردازش زبان طبیعی (NLP) مسلط شود
- هر کسی که عاشق یادگیری عمیق است و می خواهد در مورد قوی ترین شبکه عصبی (ترانسفورماتور) بیاموزد.
- هر کسی که می خواهد فراتر از دوره های معمولی فقط مبتدی در Udemy برود
Course Features & Specifications
- ناشر: یودمی
- مدرس: Lazy Programmer Team,Lazy Programmer Inc
- زبان: انگلیسی
- سطح آموزش: مقدماتی تا پیشرفته
- تعداد دروس: 142
- مدت زمان آموزش: 18 ساعت 18 دقیقه
Prerequisites
- Install Python, it’s free!
- Beginner and intermediate level content: Decent Python programming skills
- Expert level content: Good understanding of CNNs and RNNs and ability to code in PyTorch or Tensorflow
Installation Guide
پس از Extract با Player دلخواه خود مشاهده کنید.
زیرنویس: انگلیسی
کیفیت: 720p
تغییرات:
نسخه 2023/3 نسبت به 2022/5 به تعداد 42 درس و مدت زمان 5 ساعت و 40 دقیقه افزایش داشته است.
نسخه 2023/5 نسبت به 2023/3 به تعداد 1 درس و مدت زمان 8 دقیقه افزایش داشته است.
نسخه 2023/8 نسبت به 2023/5 به تعداد 4 درس و مدت زمان 40 دقیقه افزایش داشته است.
نسخه 2024/7 نسبت به 2023/8 به تعداد 1 درس افزایش و مدت زمان 27 دقیقه کاهش داشته است.
نسخه 2025/11 نسبت به 2024/7 به تعداد 9 درس و مدت زمان 48 دقیقه افزایش داشته است.
