[ENGLISH]

01 Course Overview [2mins]
01-01 Course Overview [2mins]

02 Representing Text as Features for Machine Learning [35mins]
02-01 Version Check [0mins]
02-02 Module Overview [1mins]
02-03 Prerequisites and Course Outline [1mins]
02-04 One-hot Encoding [4mins]
02-05 Count Vectors [3mins]
02-06 Tf-Idf Vectors [3mins]
02-07 Co-occurence Vectors [5mins]
02-08 Word Embeddings [5mins]
02-09 Installing Packages and Setting Up the Environment [3mins]
02-10 Sentence and Word Tokenization [5mins]
02-11 Plotting Word Frequency Distributions [4mins]
02-12 Module Summary [1mins]

03 Building Feature Vector Representations of Text [27mins]
03-01 Module Overview [1mins]
03-02 Bag-of-words and Bag-of-n-grams [3mins]
03-03 Bag-of-words Using the Count Vectorizer [7mins]
03-04 Inverse Transform Using the Count Vectorizer [2mins]
03-05 Bag-of-n-grams Using the Count Vectorizer [6mins]
03-06 Generating N-grams Using NLTK [3mins]
03-07 Bag-of-words Using the Tf-Idf Vectorizer [4mins]
03-08 Module Summary [1mins]

04 Simplifying Text Processing Using Natural Language Processing [34mins]
04-01 Module Overview [1mins]
04-02 Natural Language Processing Operations [6mins]
04-03 Stopword Removal Using NLTK and scikit-learn [7mins]
04-04 Frequency Filtering Using scikit-learn [3mins]
04-05 Stemming [6mins]
04-06 Lemmatization [4mins]
04-07 Parts-of-speech Tagging [6mins]
04-08 Module Summary [1mins]

05 Reducing Dimensions in Text Using Hashing [26mins]
05-01 Module Overview [1mins]
05-02 Feature Hashing [2mins]
05-03 Reducing Dimensions Using the Feature Hasher [4mins]
05-04 Reducing Dimensions at Scale Using the Hashing Vectorizer [6mins]
05-05 Locality-sensitive Hashing [5mins]
05-06 Similar Documents Using Jaccard Index and Locality-sensitive Hashing [7mins]
05-07 Module Summary [1mins]

06 Applying Text Feature Extraction Techniques to Machine Learning [28mins]
06-01 Module Overview [1mins]
06-02 Naive Bayes for Classification [3mins]
06-03 Classification Using the Hashing Vectorizer [8mins]
06-04 Pre-process Text Using a Stemmer, Build Features Using the Hashing Vectorizer [3mins]
06-05 Building Features Using the Count Vectorizer [2mins]
06-06 Pre-processing with Stopword Removal, Building Features Using Count Vectorizer [2mins]
06-07 Pre-processing with Stopword Removal, Frequency Filtering, Building Features Using Count Vectorizer [3mins]
06-08 Building Features Using the Tf-Idf Vectorizer [2mins]
06-09 Building Features Using Bag-of-n-grams Model [2mins]
06-10 Summary and Further Study [2mins]

[فارسی]

01 بررسی اجمالی دوره [2 دقیقه]
01-01 بررسی اجمالی دوره [2 دقیقه]

02 نمایش متن به عنوان ویژگی برای یادگیری ماشین [35 دقیقه]
02-01 بررسی نسخه [0 دقیقه]
02-02 نمای کلی ماژول [1 دقیقه]
02-03 پیش نیازها و خلاصه دوره [1 دقیقه]
02-04 رمزگذاری یکباره [4 دقیقه]
02-05 شمارش بردارها [3 دقیقه]
02-06 وکتورهای Tf-Idf [3 دقیقه]
02-07 بردارهای همزمان [5 دقیقه]
02-08 جاسازی کلمه [5 دقیقه]
02-09 نصب بسته‌ها و تنظیم محیط [3 دقیقه]
02-10 رمزگذاری جمله و کلمه [5 دقیقه]
02-11 ترسیم توزیع فرکانس کلمه [4 دقیقه]
02-12 خلاصه ماژول [1 دقیقه]

03 ساختن نمایش بردار ویژگی متن [27 دقیقه]
03-01 نمای کلی ماژول [1 دقیقه]
03-02 کیسه‌ای از کلمات و کیسه‌ای از n گرم [3 دقیقه]
03-03 مجموعه کلمات با استفاده از شمارش بردار [7 دقیقه]
03-04 تبدیل معکوس با استفاده از بردار شمارش [2 دقیقه]
03-05 کیسه‌ای از n گرم با استفاده از بردار شمارش [6 دقیقه]
03-06 تولید N-گرم با استفاده از NLTK [3 دقیقه]
03-07 مجموعه کلمات با استفاده از بردار Tf-Idf [4 دقیقه]
03-08 خلاصه ماژول [1 دقیقه]

04 ساده کردن پردازش متن با استفاده از پردازش زبان طبیعی [34 دقیقه]
04-01 نمای کلی ماژول [1 دقیقه]
04-02 عملیات پردازش زبان طبیعی [6 دقیقه]
04-03 حذف کلمات کلیدی با استفاده از NLTK و یادگیری اسکیت [7 دقیقه]
04-04 فیلتر فرکانس با استفاده از scikit-learn [3 دقیقه]
04-05 ساقه زدن [6 دقیقه]
04-06 Lemmatization [4 دقیقه]
04-07 برچسب‌گذاری بخش‌های گفتار [6 دقیقه]
04-08 خلاصه ماژول [1 دقیقه]

05 کاهش ابعاد در متن با استفاده از هش کردن [26 دقیقه]
05-01 نمای کلی ماژول [1 دقیقه]
05-02 درهم کردن ویژگی [2 دقیقه]
05-03 کاهش ابعاد با استفاده از هاشر ویژگی [4 دقیقه]
05-04 کاهش ابعاد در مقیاس با استفاده از Hashing Vectorizer [6 دقیقه]
05-05 هش کردن حساس به محلی [5 دقیقه]
05-06 اسناد مشابه با استفاده از Jaccard Index و هش کردن حساس به محل [7 دقیقه]
05-07 خلاصه ماژول [1 دقیقه]

06 استفاده از تکنیک‌های استخراج ویژگی متن در یادگیری ماشینی [28 دقیقه]
06-01 نمای کلی ماژول [1 دقیقه]
06-02 بیز ساده برای طبقه‌بندی [3 دقیقه]
06-03 طبقه‌بندی با استفاده از Hashing Vectorizer [8 دقیقه]
06-04 پیش پردازش متن با استفاده از Stemmer، ساخت ویژگی‌ها با استفاده از Hashing Vectorizer [3 دقیقه]
06-05 ویژگی‌های ساختمان با استفاده از شمارش بردار [2 دقیقه]
06-06 پیش پردازش با حذف Stopword، ایجاد ویژگی‌های با استفاده از Count Vectorizer [2 دقیقه]
06-07 پیش پردازش با حذف Stopword، فیلتر فرکانس، ویژگی‌های ساختمان با استفاده از Count Vectorizer [3 دقیقه]
06-08 ویژگی‌های ساختمان با استفاده از وکتوریزر Tf-Idf [2 دقیقه]
06-09 ویژگی‌های ساختمان با استفاده از مدل کیسه‌ای از n گرم [2 دقیقه]
06-10 خلاصه و مطالعه بیشتر [2 دقیقه]