اپلیکیشن اندرویدی فلشکارت آموزشی Google Cloud Platform: ساخت اپلیکیشن های تحلیل متن آزاد
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره Google Cloud Platform: ساخت اپلیکیشن های تحلیل متن آزاد
موضوع کلی: برنامه نویسی
موضوع میانی: Google Cloud Platform (GCP)
📋 سرفصلهای دوره
- 1. مبانی یادگیری ماشین
- 2. مقدمه ای بر پردازش زبان طبیعی (NLP)
- 3. معرفی Google Cloud Platform (GCP)
- 4. مزایای استفاده از GCP برای اپلیکیشن های NLP
- 5. ساختار کلی دوره و پیش نیازها
- 6. تنظیم محیط توسعه GCP
- 7. ایجاد و پیکربندی حساب GCP
- 8. استفاده از Cloud Shell
- 9. مدیریت پروژه ها و منابع در GCP
- 10. مفاهیم اساسی شبکه در GCP (VPC, Subnets)
- 11. اصول امنیتی در GCP (IAM, Roles, Permissions)
- 12. معرفی سرویس های کلیدی GCP برای NLP
- 13. Google Cloud Storage (GCS) برای ذخیره سازی داده ها
- 14. Google Compute Engine (GCE) برای منابع محاسباتی
- 15. Google Kubernetes Engine (GKE) برای ارکستراسیون کانتینرها
- 16. Google Cloud Functions برای محاسبات بدون سرور
- 17. Google Cloud Run برای اجرای کانتینرها
- 18. Google Cloud AI Platform (Vertex AI)
- 19. مقدمه ای بر Vertex AI
- 20. Vertex AI Pipelines
- 21. Vertex AI Workbench
- 22. Vertex AI Training
- 23. Vertex AI Prediction
- 24. Google Cloud Natural Language API
- 25. کاربرد Natural Language API
- 26. تجزیه و تحلیل احساسات (Sentiment Analysis)
- 27. تشخیص موجودیت های نام گذاری شده (Named Entity Recognition - NER)
- 28. تحلیل نحوی (Syntax Analysis)
- 29. برچسب گذاری قسمت گفتار (Part-of-Speech Tagging)
- 30. شناسایی نوع سند (Document Classification)
- 31. پردازش اسناد طولانی با Natural Language API
- 32. محدودیت ها و ملاحظات Natural Language API
- 33. Google Cloud Translation API
- 34. کاربرد Translation API
- 35. ترجمه متن بین زبان ها
- 36. ترجمه اسناد
- 37. مدیریت مدل های ترجمه سفارشی
- 38. Google Cloud Speech-to-Text API
- 39. کاربرد Speech-to-Text API
- 40. تبدیل گفتار به متن
- 41. پشتیبانی از زبان های مختلف
- 42. تنظیمات پیشرفته Speech-to-Text
- 43. Google Cloud Text-to-Speech API
- 44. کاربرد Text-to-Speech API
- 45. تبدیل متن به گفتار
- 46. انتخاب صداهای مختلف
- 47. تنظیمات پیشرفته Text-to-Speech
- 48. استفاده از BigQuery برای تحلیل داده های متنی
- 49. مقدمه ای بر BigQuery
- 50. طراحی اسکیمای جدول برای داده های متنی
- 51. بارگذاری داده های متنی در BigQuery
- 52. پرس و جو (Query) بر روی داده های متنی در BigQuery
- 53. استفاده از توابع BigQuery برای پردازش متن
- 54. تجمیع و تحلیل داده های متنی با BigQuery
- 55. اتصال BigQuery به سرویس های دیگر GCP
- 56. مبانی یادگیری عمیق برای NLP
- 57. شبکه های عصبی بازگشتی (RNN)
- 58. شبکه های حافظه کوتاه مدت طولانی (LSTM)
- 59. شبکه های حافظه کوتاه مدت (GRU)
- 60. شبکه های کانولوشنال (CNN) برای متن
- 61. ترانسفورمرها (Transformers)
- 62. معماری ترانسفورمر
- 63. مکانیزم توجه (Attention Mechanism)
- 64. کاربردهای ترانسفورمرها در NLP
- 65. معرفی کتابخانه Hugging Face Transformers
- 66. نصب و پیکربندی Hugging Face
- 67. استفاده از مدل های از پیش آموزش دیده (Pre-trained Models)
- 68. تنظیم دقیق (Fine-tuning) مدل های ترانسفورمر
- 69. کاربرد Hugging Face در Vertex AI
- 70. ساخت یک اپلیکیشن ساده تحلیل احساسات
- 71. جمع آوری داده های متنی
- 72. پیش پردازش داده ها
- 73. آموزش یک مدل پایه (Baseline Model)
- 74. ارزیابی مدل پایه
- 75. پیاده سازی تحلیل احساسات با Natural Language API
- 76. مقایسه نتایج
- 77. ساخت یک اپلیکیشن تشخیص موجودیت (NER)
- 78. جمع آوری و برچسب گذاری داده های NER
- 79. آموزش یک مدل NER سفارشی
- 80. استفاده از کتابخانه SpaCy برای NER
- 81. پیاده سازی NER با Natural Language API
- 82. مقایسه نته
- 83. ارزیابی مدل های NER
- 84. ساخت یک اپلیکیشن ترجمه متنی
- 85. استفاده از Translation API
- 86. پیاده سازی ترجمه خودکار
- 87. مدیریت خطاها در ترجمه
- 88. ملاحظات مربوط به زبان و فرهنگ
- 89. ساخت یک اپلیکیشن خلاصه سازی متن (Text Summarization)
- 90. معرفی روش های خلاصه سازی (استخراجی و انتزاعی)
- 91. استفاده از مدل های ترانسفورمر برای خلاصه سازی
- 92. پیاده سازی خلاصه سازی با Hugging Face
- 93. ارزیابی کیفیت خلاصه سازی
- 94. ساخت یک اپلیکیشن پاسخ به سوال (Question Answering)
- 95. مقدمه ای بر مدل های QA
- 96. پیاده سازی QA با Hugging Face
- 97. استفاده از مدل های از پیش آموزش دیده QA
- 98. ارزیابی عملکرد مدل QA
- 99. استقرار اپلیکیشن های NLP بر روی GCP
- 100. استقرار مدل ها با Vertex AI Endpoints
این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلشکارت طراحی شده است. کارتها را یکییکی مرور کنید، پاسخ پرسشها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.
محتوای آموزشی در قالبهای متنوع ارائه میشود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموختهها قابل استفاده باشد.
- رابط کاربری فارسی و راستچین با فونت وزیر.
- تم روشن و تیره مطابق تنظیمات سیستم.
- صفحهبندی ساده برای انتخاب دوره و شروع مرور.
- نمایش تعداد دفعات مرور هر فصل.
- انتخاب چند فصل برای مرور همزمان.
- امکان تمرکز بر فصلهایی که هنوز مرور نشدهاند.
این اپلیکیشن برای دانشآموزان، دانشجویان، داوطلبان آزمونها و علاقهمندان به یادگیری طراحی شده است؛ بهویژه کسانی که میخواهند مطالب آموزشی را در زمانهای کوتاه مرور کنند، دانستههای خود را بسنجند و مطالعه منظمتری داشته باشند.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.