ساخت یک چت‌بات

ضبط شده

نظریهٔ چگونگی کارکرد چت‌بات‌ها را درک کنید و آن‌ها را در پایتون و پای‌تورچ پیاده‌سازی کنید!

امتیاز دوره ( 3 نفر)

4.3 از 5

زیرنویس فارسی و انگلیسی

ماراد، مرکز آموزش از راه دور

زندگی فعال
39 اپیزود
6 ساعت و 29 دقیقه
سطح متوسط

درباره دوره اپیزود ها توضیحات تکمیلی اطلاعات استاد کامنت ها

در این دوره چه چیز هایی می آموزید؟

نظریه چگونگی کارکرد چت‌بات‌ها را درک کنید.

با PyTorch آشنا شوید

نظریه‌ی کاربردهای مختلف مدل‌سازی توالی را درک کنید.

نظریه‌ی چگونگی عملکرد (RNN) و (LSTM) را درک کنید.

چت‌باتی را در PyTorchپیاده‌سازی کنید

اپیزودها

اپیزود 1 مقدمه‌ای بر RNNs - بخش 1

رایگان 11 دقیقه

پخش آنلاین

اپیزود 2 مقدمه‌ای بر RNNs - بخش 2

رایگان 9 دقیقه

پخش آنلاین

اپیزود 3 Playing با Activations

رایگان 10 دقیقه

پخش آنلاین

اپیزود 4 LSTM‌s

رایگان 9 دقیقه

پخش آنلاین

اپیزود 5 متغیرهای LSTM

4 دقیقه

اپیزود 6 مراحل قدم به قدم مثال LSTM

4 دقیقه

اپیزود 7 مدل‌سازی sequence

14 دقیقه

اپیزود 8 مکانیسم توجه در LSTMs

6 دقیقه

اپیزود 9 چگونه مکانیسم‌های Attention کار می‌کنند

12 دقیقه

اپیزود 10 نصب PyTorch و مقدمه‌ای بر آن

11 دقیقه

اپیزود 11 تنسورهای Torch بخش 1

10 دقیقه

اپیزود 12 سوندهای Torch بخش 2

9 دقیقه

اپیزود 13 Numpy Bridge ، Tensor Concatenation و افزودن ابعاد

10 دقیقه

اپیزود 14 Dataset

11 دقیقه

اپیزود 15 پردازش Dataset - بخش 1

7 دقیقه

اپیزود 16 پردازش Dataset - بخش 2

8 دقیقه

اپیزود 17 پردازش Dataset - بخش 3

8 دقیقه

اپیزود 18 پردازش Dataset - بخش 4

6 دقیقه

اپیزود 19 پردازش کلمات

11 دقیقه

اپیزود 20 پردازش متن

10 دقیقه

اپیزود 21 پردازش متن - بخش 2

9 دقیقه

اپیزود 22 فیلترینگ متن

7 دقیقه

اپیزود 23 رهایی از کلمات Rare

9 دقیقه

اپیزود 24 آماده‌سازی داده‌ها برای مدل – بخش 1

12 دقیقه

اپیزود 25 درک تابع zip

6 دقیقه

اپیزود 26 آماده‌سازی داده‌ها برای مدل - بخش 2

8 دقیقه

اپیزود 27 آماده‌سازی داده‌ها برای مدل - بخش 3

10 دقیقه

اپیزود 28 آماده‌سازی داده‌ها برای مدل - بخش 4

13 دقیقه

اپیزود 29 درک Encoder

6 دقیقه

اپیزود 30 تعریف Encoder

24 دقیقه

اپیزود 31 درک Pack Padded Sequence

8 دقیقه

اپیزود 32 طراحی مدل Attention

16 دقیقه

اپیزود 33 طراحی Decoder - بخش 1

14 دقیقه

اپیزود 34 طراحی Decoder - بخش 2

17 دقیقه

اپیزود 35 ایجاد تابع Loss

7 دقیقه

اپیزود 36 Teacher Forcing

7 دقیقه

اپیزود 37 Visualize Training - بخش 1

14 دقیقه

اپیزود 38 Visualize Training - بخش 2

10 دقیقه

اپیزود 39 "Training"

12 دقیقه

اکشن های دوره

شرکت در دوره : 64,000 تومان

توضیحات دوره

در این دوره، شما موارد زیر را خواهید آموخت:

شبکه‌های عصبی بازگشتی (RNNs) و LSTMs
مدل‌سازی دنباله
پایتورچ (PyTorch)
ساخت یک چت‌بات در پایتورچ

ابتدا مفاهیم نظری مورد نیاز برای ساخت چت‌بات را پوشش خواهیم داد، که شامل RNNs، LSTMs و مدل‌های دنباله با توجه (Attention) می‌باشد.

سپس شما را با پایتورچ آشنا خواهیم کرد، یک کتابخانه یادگیری عمیق بسیار قدرتمند و پیشرفته. نشان خواهیم داد که چگونه آن را نصب کنید و چگونه با آن و تنسورها (Tensors) کار کنید.

سپس چت‌بات خود را در پایتورچ خواهیم ساخت!

لطفاً یک نکته مهم را در نظر داشته باشید: اگر دانش قبلی در مورد شبکه‌های عصبی و نحوه کار آنها ندارید، نخواهید توانست به خوبی با این دوره کنار بیایید. لطفاً توجه داشته باشید که این دوره، دوره یادگیری عمیق نیست، بلکه یک کاربرد از یادگیری عمیق است، همانطور که نام دوره نشان می‌دهد (یادگیری عمیق کاربردی: ساخت یک چت‌بات). سطح دوره متوسط است و نه مبتدی. بنابراین قبل از شرکت در این دوره، با شبکه‌های عصبی و مفاهیم آن آشنا شوید. اگر قبلاً آشنا هستید، پس آماده‌اید که این سفر را آغاز کنید!.

ساخت یک چت‌بات