تولید متن ادبی با استفاده از شبکه‌های عصبی بازگشتی (RNNs)

• مدت ورکشاپ: یک جلسه آنلاین | مدت: 4 ساعت
• مخاطب دوره: افراد آشنا و علاقمند به اجرا و پیاده سازی مسائل متنوع دیتاساینس و هوش مصنوعی
• مباحث پیش نیاز: آشنایی با برنامه نویسی پایتون، الگوریتم ها و کتابخانه های یادگیری عمیق
• مدرس دوره: وحید محمدزاده
• دسترسی دائمی به فایل رکورد شده جلسات و مستندات ورکشاپ
• زمان اجرا: جمعه 10 شهریور ساعت 16 الی 21 (شامل یک ساعت زمان اجرای دانشجویان در حین کارگاه)

ورکشاپ “تولید متن ادبی با استفاده از شبکه‌های عصبی بازگشتی (RNNs)” به شما امکان می‌دهد تا به صورت عملی با روش‌های پیشرفته تولید متن با استفاده از Generative AI آشنا شوید. این ورکشاپ در 4 ساعت برگزار می‌شود و به شرکت‌کنندگان امکان تجربه مستقیم این تکنیک‌ها را می‌دهد. به این منظور از دیتاست مربوط به شکسپیر برای ساخت و آموزش مدل استفاده می شود تا متون ادبی به سبک شکسپیر تولید شود. در ابتدا، با شبکه‌های عصبی بازگشتی (RNNs) آشنا می‌شوید. این شبکه‌ها نوعی از شبکه‌های عصبی هستند که برای تولید متن و اطلاعات مصنوعی مورد استفاده قرار می‌گیرند. شما با ساختار اصلی این شبکه‌ها و کاربردهای آنها در تولید متن آشنا می‌شوید. سپس، نحوه آموزش مدل‌های متنی با استفاده از شبکه‌های عصبی بازگشتی را خواهید آموخت. شما با معماری‌های مختلف RNN برای تولید متن آشنا می‌شوید و نحوه بهبود کارکرد آنها با استفاده از روش‌های بهینه‌سازی را متوجه خواهید شد. در مرحله بعد، با لایه‌های پیشرفته LSTM و GRU به عنوان نوع‌های بهبود یافته RNN آشنا می‌شوید. شما مزایا و معایب این لایه‌ها را در مقایسه با RNN‌های سنتی خواهید دید. در پایان، مثال‌های کاربردی تولید متن با استفاده از RNNs معرفی می‌شود. از جمله نوشتار متن هنری، تولید داستان و محتوا، و سیستم‌های چت‌بات با استفاده از این تکنیک‌ها. این مثال‌ها به شما ایده‌های جدیدی در زمینه تولید متن با Generative AI می‌دهد و امکان اعمال خلاقیت در این زمینه را فراهم می‌کند.

سرفصل‌های ورکشاپ:

• معرفی شبکه‌های عصبی بازگشتی (RNNs):
  • آشنایی با مفهوم و ساختار اصلی شبکه‌های عصبی بازگشتی و کاربردهای آنها در تولید متن.
• آموزش مدل‌های متنی RNN:
  • نحوه آموزش مدل‌های متنی با استفاده از شبکه‌های عصبی بازگشتی.
  • معرفی معماری‌های مختلف RNN برای تولید متن.
• استفاده از LSTM و GRU در RNNs:
  • معرفی لایه‌های LSTM و GRU به عنوان نوع‌های پیشرفته‌تری از شبکه‌های عصبی بازگشتی.
  • مقایسه عملکرد این لایه‌ها با RNN‌های سنتی.
• کاربردهای عملی تولید متن با RNNs:
  • معرفی مثال‌های کاربردی از تولید متن با استفاده از شبکه‌های عصبی بازگشتی.
  • نوشتار متن هنری، تولید داستان و محتوا، و سیستم‌های چت‌بات با استفاده از RNNs.