آموزش یادگیری عمیق با LSTM + پروژه عملی دسته بندی اخبار جعلی در پایتون + گواهینامه

آموزش یادگیری عمیق با LSTM + پروژه عملی دسته بندی اخبار جعلی در پایتون + گواهینامه

در این آموزش، با مفاهیم یادگیری عمیق و مدل LSTM آشنا می شوید و به‌طور عملی پروژه ای برای دسته بندی اخبار جعلی با استفاده از پایتون و LSTM انجام می دهید.

تریلر دوره

توضیحات کامل دوره

شبکه عصبی LSTM چیست؟ شبکه عصبی LSTM یا Long-Short Term Memory (حافظه بلندمدت - کوتاه‌مدت)، یک نوع شبکه عصبی بازگشتی (Recurrent Neural Network) RNN محسوب می‌شود که مشکل ناپدیدشدن گرادیان (...

شبکه عصبی LSTM چیست؟

شبکه عصبی LSTM یا Long-Short Term Memory (حافظه بلندمدت - کوتاه‌مدت)، یک نوع شبکه عصبی بازگشتی (Recurrent Neural Network) RNN محسوب می‌شود که مشکل ناپدیدشدن گرادیان (Vanishing Gradient) را حل کرد. این شبکه در به یادگیری وابستگی‌های طولانی‌مدت عالی عمل می‌کند و به دلیل داشتن حافظه بلندمدت کاربردهای زیادی دارد، به‌ عنوان‌ مثال، فرض کنید هنگام خواندن یک کتاب می‌دانید در فصل قبل چه اتفاقی افتاده، RNNها از این خاصیت مغز انسان‌ها الهام گرفته‌اند و به همین شکل کار می‌کنند و گذشته را به‌خاطر می‌سپارند.

اهمیت یادگیری  دسته‌بندی اخبار جعلی با LSTM در پایتون چیست؟

همان‌طور که مشخص است تمامی خبرها چه اخبار واقعی Real و چه اخبار جعلی Fake می‌توانند بر افکار عمومی تاثیر به‌سزایی داشته باشد، حال تصور کنید خبری منتشر شده که ماهیتی دروغین دارد و واضح است که این نوع اخبار در زمان‌هایی حساس و در مورد مسائلی مهم پخش و منتشر می‌شوند، اینکه ما با استفاده از یک مجموعه ‌داده مدلی را درست کنیم که خبرهای جعلی را از واقعی تشخیص دهد یک پروژه کاربردی و در عین‌ حال جذاب به شمار می‌آید که برای دنیای امروز بسیار ضروری است. می‌توانیم با انتخاب یک الگوریتم مانند شبکه عصبی LSTM، تشخیص اخبار جعلی را از اخبار واقعی که در شاخه پردازش زبان‌های طبیعی است با استفاده از زبان برنامه‌نویسی پایتون پیاده‌سازی کنیم.

در این فرادرس چه چیزی یاد می‌گیریم؟

در این آموزش، ابتدا با یادگیری عمیق و الگوریتم‌های مختلف آن آشنا می‌شویم، سپس محیط برنامه‌نویسی و کتابخانه‌های موردنظرمان در پایتون را معرفی خواهیم کرد، در ادامه مروری بر پردازش زبان‌های طبیعی خواهیم داشت تا با ماهیت مسئله تشخیص اخبار جعلی از واقعی آشنا شویم. ما برای انجام پروژه از یک مجموعه‌داده انگلیسی برچسب‌خورده استفاده می‌کنیم، پس با یک مسئله Supervised Learning طرف هستیم. همچنین الگوریتم‌های دیگری که می‌توانید برای این Task خاص استفاده کنید به شما معرفی خواهد شد و چرایی اینکه ما از شبکه عصبی LSTM (Long-Short Term Memory) استفاده می‌کنیم را شرح می‌دهیم. در نهایت پروژه را پیاده‌سازی کرده و میزان دقت آن را بررسی و تحلیل می‌کنیم.

  • فصل یکم: مروری بر یادگیری عمیق
    • درس ۱: تعریف یادگیری عمیق و تمایز آن از یادگیری ماشین
    • درس ۲: معرفی انواع الگوریتم‌های یادگیری عمیق
    • درس ۳: بررسی حوزه‌های کاربردی یادگیری عمیق
    • درس ۴: معرفی کتابخانه‌های NLTK ،Keras و TensorFlow
  • فصل دوم: اجرای پروژه نهایی
    • درس ۵: مثال‌هایی از پروژه‌های کاربردی با LSTM
    • درس ۶: مروری بر پردازش زبان‌های طبیعی (NLP) Natural Language Processing و معرفی آن
    • درس ۷: تئوری Bag of Words و TF-IDF
    • درس ۸: بررسی مشکلات روش‌های قبل و تئوری Word Embedding
    • درس ۹: انواع محیط‌های برنامه‌نویسی برای زبان پایتون و آماده‌سازی محیط گوگل کولب جهت کدنویسی
    • درس ۱۰: پیاده‌سازی Tokenization
    • درس ۱۱: پیاده‌سازی Stemming
    • درس ۱۲: پیاده‌سازی Lemmatization
    • درس ۱۳: پیاده‌سازی Bag of Words و TF-IDF
    • درس ۱۴: پیاده‌سازی Word Embedding
    • درس ۱۵: شبکه‌های عصبی بازگشتی ساده و داده‌های Sequence
    • درس ۱۶: مثالی از عملکرد شبکه‌های عصبی بازگشتی ساده
    • درس ۱۷: مثالی از عملکرد LSTM و تشریح گیت‌های آن
    • درس ۱۸: انجام پروژه پایانی – پیش‌پردازش داده‌ها
    • درس ۱۹: ساخت مدل LSTM و آموزش آن
    • درس ۲۰: ساخت مدل‌های Stacked LSTM و Bidirectional LSTM، آموزش آن‌ها و بررسی عملکرد مدل‌ها
  • فصل سوم: راهنمایی ادامه مسیر
    • درس ۲۱: جمع‌بندی و نتیجه مباحث
    • درس ۲۲: ادامه یادگیری

سرفصل‌های دوره

  • چکیده
    0:01:29

  • تعریف یادگیری عمیق و تمایز آن از یادگیری ماشین
    رایگان 0:12:17
  • معرفی انواع الگوریتم‌های یادگیری عمیق
    0:10:52
  • بررسی حوزه‌های کاربردی یادگیری عمیق
    رایگان 0:07:43
  • معرفی کتابخانه‌های NLTK ،Keras و TensorFlow
    0:04:19

  • مثال‌هایی از پروژه‌های کاربردی با LSTM
    رایگان 0:12:52
  • مروری بر پردازش زبان‌های طبیعی (NLP) Natural Language Processing و معرفی آن
    0:12:14
  • تئوری Bag of Words و TF-IDF
    0:12:19
  • بررسی مشکلات روش‌های قبل و تئوری Word Embedding
    0:12:37
  • انواع محیط‌های برنامه‌نویسی برای زبان پایتون و آماده‌سازی محیط گوگل کولب جهت کدنویسی
    0:13:38
  • پیاده‌سازی Tokenization
    0:13:10
  • پیاده‌سازی Stemming
    0:07:39
  • پیاده‌سازی Lemmatization
    رایگان 0:12:59
  • پیاده‌سازی Bag of Words و TF-IDF
    0:12:12
  • پیاده‌سازی Word Embedding
    0:12:01
  • شبکه‌های عصبی بازگشتی ساده و داده‌های Sequence
    0:10:45
  • مثالی از عملکرد شبکه‌های عصبی بازگشتی ساده
    0:08:54
  • مثالی از عملکرد LSTM و تشریح گیت‌های آن
    0:11:35
  • انجام پروژه پایانی – پیش‌پردازش داده‌ها
    0:14:11
  • ساخت مدل LSTM و آموزش آن
    رایگان 0:12:43
  • ساخت مدل‌های Stacked LSTM و Bidirectional LSTM، آموزش آن‌ها و بررسی عملکرد مدل‌ها
    0:14:06

  • جمع‌بندی و نتیجه مباحث
    0:03:07
  • ادامه یادگیری
    0:04:52

  • آموزش یادگیری عمیق با LSTM + پروژه عملی دسته بندی اخبار جعلی در پایتون

  • خلاصه و مرور آموزش
  • واژه‌نامه (Glossary)
  • سوالات متداول (FAQ)
  • مشاغل مرتبط
  • نمونه سئوالات مصاحبه شغلی

ارسال نظر شما

نظرات کاربران

نظرات کاربران

هنوز نظری ثبت نشده است.

2,590,000 تومان
518,000 تومان
80% تخفیف

این دوره شامل:
6 فصل آموزشی
3:58:33 ساعت آموزش
دسترسی مادام‌العمر
گواهی پایان دوره: مشخص نیست
تاریخ انتشار: 1405/07/23
آخرین به‌روزرسانی: 2026-10-29 13:48:10
تعداد امتیازها: 8
تعداد دانشجو: 180
خرید اقساطی: ندارد
ضمانت بازگشت وجه: ندارد
برچسب‌ها: