انجمن زبانشناسی رایانشی ایرانداک
الذهاب إلى القناة على Telegram
انجمن علمی-دانشجویی زبانشناسی رایانشی پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) Student Scientific Association of Computational Linguistics of IranDoc ارتباط با انجمن: @amirrsayyadi @ghorbaninavid مطالب با هشتگ #انجمن #معرفی #نشست #آموزشی #اخبار
إظهار المزيد223
المشتركون
لا توجد بيانات24 ساعات
+27 أيام
+1630 أيام
جاري تحميل البيانات...
جذب المشتركين
أغسطس '25
أغسطس '25
+197
في 3 قنوات
يوليو '250
في 1 قنوات
Get PRO
يونيو '25
+27
في 5 قنوات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 21 أغسطس | 0 | |||
| 20 أغسطس | 0 | |||
| 19 أغسطس | 0 | |||
| 18 أغسطس | 0 | |||
| 17 أغسطس | 0 | |||
| 16 أغسطس | 0 | |||
| 15 أغسطس | 0 | |||
| 14 أغسطس | 0 | |||
| 13 أغسطس | 0 | |||
| 12 أغسطس | +3 | |||
| 11 أغسطس | 0 | |||
| 10 أغسطس | +1 | |||
| 09 أغسطس | 0 | |||
| 08 أغسطس | +1 | |||
| 07 أغسطس | +10 | |||
| 06 أغسطس | +1 | |||
| 05 أغسطس | 0 | |||
| 04 أغسطس | 0 | |||
| 03 أغسطس | +1 |
منشورات القناة
سلام دوستان.
امیدواریم که حالتون خوب باشه.
همونجور که بهتون قول داده بودیم ما به دنبال این بودیم نشستی رو با موضوع "معرفی منابع برای کنکور زبانشناسی و بررسی کارنامهها" برگزار کنیم.
حالا ما برنامه داریم که این نشست رو به زودی برگزار کنیم و به کمک شما عزیزان نیاز داریم.
لطفا در صورتی که سالهای اخیر در کنکور زبانشناسی شرکت کردید و رتبهتون یک یا دو رقمی شده کارنامهتون رو به آیدی زیر ارسال کنید:
@ghorbaninavid
توجه داشته باشید که محرمانگی کارنامهی شما تضمینشدهست و ما قرار نیست اشارهای به اسم و مشخصات شما داشته باشیم. تنها چیزی که ما بهش نیاز داریم درصدهاتون، رتبههاتون، سهمیهتون، دانشگاه و رشتهای که قبول شدید و منابعی که مطالعه کردید برای کنکوره. میتونید خودتون عکس کارنامه رو برش بدید یا بخش مشخصات خودتون رو خط بزنید تا معلوم نباشه.
@irandoc_cl
| 2 | مدل زبانی (Language Model) چیست؟
بخش دوم
مسئله صفر بودن احتمالات (Zero Frequency Problem) و تکنیکهای حل آن
- یکی از مشکلات رایج در مدلهای N-gram این است که اگر یک توالی کلمات در پیکره آموزشی ظاهر نشده باشد، مدل احتمال آن را صفر در نظر میگیرد. این امر به ویژه برای N-gramهای با مرتبه بالاتر که کمتر تکرار میشوند، مشکلساز است.
- برای حل این مشکل، از الگوریتمهای هموارسازی (Smoothing) استفاده میشود که به رویدادهای دیده نشده یک احتمال غیر صفر اختصاص میدهند.
- هموارسازی لاپلاس (Laplace Smoothing) یا Add-one Smoothing: این سادهترین روش هموارسازی است که در آن به تمام شمارشها (هم در صورت و هم در مخرج) یک واحد اضافه میشود تا از صفر شدن احتمالات جلوگیری شود. روشهای دیگری مانند Add-k smoothing نیز وجود دارد.
درونیابی (Interpolation) و Backoff
- روش درونیابی (Interpolation)
این روش شامل ترکیب احتمالات N-gramهای مختلف (مثلاً یونیگرم، بایگرم و ترایگرم) با استفاده از میانگین وزنی است. این کار بسیار مفید است زیرا N-gramهای مرتبه بالاتر ممکن است احتمالات صفر داشته باشند، در حالی که N-gramهای مرتبه پایینتر (مانند یونیگرمها) قابل اعتمادتر هستند.
- روش Backoff
این روش جایگزینی برای Interpolation است. در Backoff، اگر یک N-gram با مرتبه بالاتر (مثلاً ترایگرم) در پیکره آموزشی یافت نشد (احتمال صفر داشت)، مدل به سراغ N-gram با مرتبه پایینتر (مثلاً بایگرم) میرود تا احتمال را محاسبه کند.
- ارزیابی مدلهای زبانی (Perplexity)
- مدلهای زبانی با استفاده از یک مجموعه تست (test set) که شامل دادههایی است که مدل قبلاً ندیده است، ارزیابی میشوند.
- سردرگمی (Perplexity) یک معیار رایج برای ارزیابی مدلهای زبانی است. این معیار، معکوس احتمال مجموعه تست است که با تعداد کلمات یا توکنها نرمالسازی شده است.
- عدد Perplexity پایینتر، نشاندهنده مدل بهتری است. این به این معنی است که مدل به مجموعه تست، احتمال بالاتری اختصاص داده و در پیشبینی کلمات دقیقتر عمل میکند. Perplexity همچنین با مفهوم آنتروپی (Entropy) در نظریه اطلاعات مرتبط است.
- کاربردها
- پیشبینی کلمه یک کاربرد اصلی مدلهای زبانی است.
- مدلهای زبانی در پردازش زبان طبیعی (NLP) کاربردهای فراوانی دارند، از جمله:
- تشخیص گفتار (Speech Recognition)
- ترجمه ماشینی (Machine Translation)
- سیستمهای ارتباطی تقویتکننده و جایگزین (Augmentative and Alternative Communication - AAC)
مرجع:
Jurafsky, D., & Martin, J. H. (2025). Speech and language processing (3rd ed. draft).
در بخش بعدی به مدلهای زبانی بزرگ (LLM) میپردازیم.
برای حمایت از انجمن، این محتوا رو برای دوستان علاقهمندتون ارسال کنید.
#آموزشی
@Irandoc_cl | 706 |
| 3 | مدل زبانی (Language Model) چیست؟
بخش اول
مدل زبانی (Language Model - LM) یک مدل یادگیری ماشینی است که وظیفه اصلی آن پیشبینی کلمات بعدی در یک دنباله از کلمات است. این مدلها با اختصاص دادن یک احتمال به هر کلمه محتمل بعدی کار میکنند، یا به عبارت دیگر، یک توزیع احتمال بر روی کلمات ممکن بعدی ارائه میدهند. یک مدل زبانی همچنین میتواند احتمال یک دنباله کامل از کلمات را نیز محاسبه کند. هدف آن این است که پیشبینی کند کدام دنباله از کلمات، احتمال ظهور بالاتری در یک متن دارد.
- مدل N-gram چیست؟
- مدلهای N-gram سادهترین نوع مدلهای زبانی هستند.
- یک N-gram به دنبالهای از 'n' کلمه اطلاق میشود. به عنوان مثال، یک «بایگرم» (bigram) دنبالهای از دو کلمه مانند "آسمان آبی" و یک «ترایگرم» (trigram) دنبالهای از سه کلمه مانند "آسمان آبی زیبا" است.
- مدلهای N-gram یک مدل احتمالاتی هستند که میتوانند احتمال یک کلمه را با توجه به N کلمه قبلی تخمین بزنند.
- فرضیه مارکوف (Markov Assumption)
- شهود اصلی پشت مدلهای N-gram این است که به جای محاسبه احتمال یک کلمه با توجه به کل تاریخچه آن، میتوانیم تاریخچه را تنها با چند کلمه آخر تخمین بزنیم.
- این مفهوم بر اساس فرضیه مارکوف است که بیان میکند احتمال یک کلمه تنها به کلمات بلافاصله قبلی بستگی دارد. برای مثال، یک مدل بایگرم، احتمال یک کلمه را تنها با توجه به کلمه قبلی خود محاسبه میکند.
- نحوه آموزش مدلهای N-gram
- مدلهای زبانی N-gram با شمارش توالیهای کلمات در یک پیکره (corpus) آموزشی (مجموعه بزرگی از متون) آموزش میبینند.
- سپس این شمارشها برای به دست آوردن احتمالات نرمالسازی میشوند.
- این فرآیند به عنوان تخمین حداکثر درستنمایی (Maximum Likelihood Estimation - MLE) شناخته میشود. برای مثال، برای محاسبه احتمال بایگرم P(wᵢ | wᵢ₋₁)، تعداد دفعاتی که توالی (wᵢ₋₁, wᵢ) در پیکره ظاهر میشود شمرده شده و بر تعداد دفعاتی که wᵢ₋₁ ظاهر میشود تقسیم میگردد.
مرجع:
Jurafsky, D., & Martin, J. H. (2025). Speech and language processing (3rd ed. draft).
به مشکلات N-gram و راههای حل آن در بخش بعدی میپردازیم.
برای حمایت از انجمن، این محتوا رو برای دوستان علاقهمندتون ارسال کنید.
#آموزشی
@Irandoc_cl | 846 |
| 4 | گرهگشایی از عناوین حوزه زبانشناسی رایانشی
در مسیر تحصیلی یا در محتواهای مرتبط این حوزه، احتمالاً عنوانهای NLP، NLU، NLG، NLI و NLR را ببینید؛ پس چه بهتر که یک مقایسه مختصر داشته باشیم تا این مفاهیم را بهتر درک کنیم:
۱. پردازش زبان طبیعی (NLP: Natural Language Processing)
این عنوان معرف حوزه جامع و مادر برای پردازش، تحلیل و تولید زبان انسان با ترکیب زبانشناسی رایانشی و یادگیری ماشین/عمیق است و شامل تمام مفاهیم دیگر میشود.
وظایف و کاربردهای اصلی:
- پیشپردازش متن:
Tokenization, Stemming/Lemmatization
- برچسبگذاری اجزای کلام (POS Tagging)
- طبقهبندی متن (Text Classification):
تشخیص هرزنامه (Spam)، تحلیل احساس (Sentiment Analysis).
- استخراج اطلاعات (Information Extraction):
تشخیص موجودیتهای نامدار (NER)، استخراج روابط و رویدادها.
مرجع:
Jurafsky, D., & Martin, J. H. (2023). Speech and Language Processing (3rd ed.).
۲. درک زبان طبیعی (NLU: Natural Language Understanding)
زیرشاخه NLP برای درک متن؛ تبدیل متن به بازنماییهای ساختاریافته (فرمهای منطقی، embedding) برای استخراج معنای عمیق.
وظایف و کاربردهای اصلی:
- تجزیه معنایی (Semantic Parsing):
نگاشت عبارات به فرمهای منطقی.
- برچسبگذاری نقش معنایی (SRL):
شناسایی «چه کسی، چه کاری را، برای چه کسی انجام داد.»
- تحلیل ارجاع (Coreference Resolution):
پیوند دادن اشارات مختلف به یک موجودیت.
استخراج روابط و رویدادها:
کشف تعاملات بین موجودیتها.
- تشخیص نیت (Intent Detection):
دستهبندی اهداف کاربر.
- پرسش و پاسخ:
پاسخ به سؤالات از روی متن (مانند دیتاست SQuAD).
- تحلیل احساسات پیشرفته:
تحلیل احساسات مبتنی بر جنبه (Aspect-Based Sentiment Analysis).
چالش حیاتی:
صورت در برابر معنا (Form vs. Meaning)
مدلهای NLU در تطبیق الگوهای متنی (صورت) عالی هستند، اما چون تنها روی متن آموزش دیدهاند، در یادگیری معنای واقعی و مبتنی بر جهان خارج (grounded meaning) با چالش اساسی روبهرو هستند.
مرجع:
Bender, E. M., & Koller, A. (2020). Climbing towards NLU: On Meaning, Form, and Understanding in the Age of Data. ACL 2020.
۳. تولید زبان طبیعی (NLG: Natural Language Generation)
فرآیند تولید متن خوانا برای انسان از دادههای ساختاریافته و غیرساختاریافته؛ همتای «نویسنده» برای NLU.
وظایف و کاربردهای اصلی:
- تولید متن از داده:
گزارشهای هواشناسی، خلاصههای مالی.
- خلاصهسازی انتزاعی:
تولید خلاصههای دقیق و مفهومی با عبارات جدید.
- تولید پاسخ در گفتوگو:
ساخت پاسخ در چتباتها.
- تولید شرح تصویر:
توصیف تصاویر به زبان طبیعی.
چالش حیاتی:
توهم (Hallucination)
تولید متن روان اما نادرست یا غیرمنطبق با منبع.
مرجع:
Gatt, A., & Krahmer, E. (2018). Survey of the State of the Art in Natural Language Generation: Core tasks, applications and evaluation. JAIR 61(1), 65–170.
۴. استنتاج زبان طبیعی (NLI: Natural Language Inference)
تشخیص استلزام متنی (Textual Entailment):
تعیین رابطه منطقی بین یک «مقدمه» (premise) و یک «فرضیه» (hypothesis) به عنوان: استلزام، تناقض، یا خنثی.
وظایف و کاربردهای اصلی:
- طبقهبندی استلزام:
ارزیابی روی بنچمارکهای SNLI و MNLI.
- راستیآزمایی و تشخیص تناقض.
- بررسی سازگاری (Alignment) در خلاصهسازی و گفتوگو.
چالش حیاتی:
شکنندگی مدل (Model Brittleness)
مدلها به جای استدلال منطقی، به «هیوریستیکهای» سطحی (مانند همپوشانی واژگانی) تکیه میکنند. این ضعف منجر به ساخت دیتاستهای مقابلهای (adversarial) برای بهبود مقاومت مدلها شده است.
مرجع:
Bowman, S. R., et al. (2015). A large annotated corpus for learning natural language inference. EMNLP 2015.
۵. استدلال زبان طبیعی (NLR: Natural Language Reasoning)
استدلال سطح بالاتر و چندمرحلهای روی زبان؛ فراتر از NLI، با ترکیب حقایق و پیگیری وضعیتها.
وظایف و کاربردهای اصلی:
- پرسش و پاسخ چندمرحلهای و قابل توضیح (Multi-Hop & Explainable QA).
- استدلال عقل سلیم و استنتاج ربایشی (Commonsense & Abductive Reasoning).
- استدلال ریاضی و الگوریتمی.
چالشهای کلیدی:
- پرسش و پاسخ چندمرحلهای:
نیازمند ترکیب اطلاعات از منابع متعدد است و با ریسک انتشار خطا در مراحل زنجیرهای استدلال روبهروست.
- استدلال عقل سلیم:
نیازمند دانش ضمنی و وسیع از جهان است که کسب آن از متن دشوار است.
مرجع:
Yu, F., Zhang, H., Tiwari, P., & Wang, B. (2023). Natural Language Reasoning, A Survey. arXiv:2303.14725.
برای حمایت از انجمن، این محتوا رو برای دوستان علاقهمندتون ارسال کنید.
#آموزشی
@Irandoc_cl | 1 088 |
| 5 | اطلاعرسانی نشست مجازی دانشگاه لنکستر (Lancaster)
دانشگاه لنکستر (Lancaster) از برترین دانشگاهها در رشتهی زبانشناسی و در حوزهی زبانشناسی پیکرهای است.
این دانشگاه به صورت دورهای نشستهای مجازی مختلفی به صورت رایگان برگزار میکنه که شرکت کردن تو این نشستها خیلی آسونه و تنها کاری که باید انجام بدید اینه که فرم مخصوص اون نشست رو تکمیل کنید.
امروز هم قراره ساعت ۱۲:۳۰ ظهر به وقت تهران نشستی راجع به دورههای زبانشناسی پیکرهای خودش برگزار کنه و علاوه بر توضیحات، پاسخگوی پرسش شرکتکنندگان هم باشه.
اگر از علاقهمندان به حوزهی زبانشناسی پیکرهای هستید یا تمایل به مهاجرت تحصیلی برای این دانشگاه دارید یا حتی دوست دارید که بدونید چه انتخابهایی میتونه برای مهاجرت تحصیلی در رشتهی زبانشناسی پیش روتون باشه، این نشست بهتون توصیه میشه.
لینک فرم ثبتنام در نشست
#اخبار
#معرفی
@Irandoc_cl | 1 122 |
| 6 | اگر فرصت نکردید فایل صوتی کامل نشست انجمن رو برای معرفی رشتهی زبانشناسی رایانشی و پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) گوش بدید، این فایل صوتی رو دریابید:
- این فایل صوتی خلاصهای نسبتاً خوب و دقیق از مکالمهی ضبطشدهی نشست محسوب میشه.
- توسط هوش مصنوعی Google (Notebook LM) تهیه شده و قاعدتاً صداها متعلق به اعضای انجمن نیست و ایرادات گفتاری جزئیای هم ممکنه داشته باشه.
- اگر فایل صوتی کامل رو گوش بدید، قطعاً جزئیات کاملتری خواهید داشت.
راجع به این ابزارهای هوش مصنوعی هم به زودی بیشتر صحبت میکنیم.
برای حمایت از انجمن، میتونید این محتوا رو برای دوستان علاقهمندتون ارسال کنید.
#نشست
#معرفی
@Irandoc_cl | 400 |
| 7 | معرفی هیئتعلمی گروه پژوهشی اصطلاحشناسی و هستانشناسی
دکتر سید مهدی سمائی
زندگینامه
سید مهدی سمائی دانشآموخته رشته زبانشناسی از دانشگاه تهران و دانشیار پژوهشگاه علوم و فناوری اطلاعات (ایرانداک)، از سال ۱۳۷۹ با سمت مشاور گروه واژهگزینی در فرهنگستان زبان و ادب فارسی فعالیت مینمایند. تخصص ایشان صرف و آواشناسی است و در حوزه پردازش زبان و زبانشناسی اجتماعی پژوهش مینمایند.
ایشان هماکنون ریاست پژوهشکده علوم اطلاعات پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) را بهعهده دارند.
همچنین کتاب صرف قیاسی زبان فارسی معاصر که حاصل پژوهش سالهای دراز ایشان است به تازگی منتشر گردیده است.
تحصیلات
۱۳۷۴ - ۱۳۷۷ دکتری تخصصی زبانشناسی - دانشگاه تهران
زمینههای پژوهش
صرف، واژگان، جامعهشناسی زبان، صرف رایانهای، آواشناسی
تماس
samai@irandoc.ac.ir
#معرفی
@Irandoc_cl | 375 |
| 8 | معرفی هیئتعلمی گروه پژوهشی اصطلاحشناسی و هستانشناسی
دکتر ملوکالسادات حسینی بهشتی
زندگینامه
ملوکالسادات حسینی بهشتی، دانشآموخته دکترای تخصصی دانشگاه تهران در رشته زبانشناسی همگانی در سال ۱۳۸۷ و کارشناسی و کارشناسی ارشد خود را نیز در سال ۱۳۶۵ و ۱۳۷۰ در همین رشته از دانشگاه تهران دریافت نموده است. وی کار علمی و حرفهای خود را از سال ۱۳۷۳ با دریافت حکم عضو هیئت علمی پژوهشی در پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) آغاز کرد و هماکنون دانشیار و عضو هیئتعلمی پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) است. او به عنوان عضو هیئتتحریریه فصلنامه پردازش و مدیریت اطلاعات نیز انتخاب شده است.
تحصیلات
۱۳۸۴ - ۱۳۸۷ دکتری تخصصی زبانشناسی با گرایش همگانی - دانشگاه تهران
رساله: ساختواژه، اصطلاحشناسی و مهندسی دانش
زمینههای پژوهش
مطالعه اصطلاحشناسی، مدیریت دانش، مدیریت اطلاعات، سازماندهی اطلاعات، پردازش زبان طبیعی
تماس
beheshti@irandoc.ac.ir
#معرفی
@Irandoc_cl | 274 |
| 9 | معرفی هیئتعلمی گروه پژوهشی زبانشناسی رایانشی
دکتر الهام علایی ابوذر
زندگینامه
الهام علایی ابوذر، دانشآموخته دکترای تخصصی در رشته زبانشناسی همگانی در سال ۱۳۹۲ از دانشگاه تهران و کارشناسی ارشد زبانشناسی همگانی در سال ۱۳۸۶ از همان دانشگاه و کارشناسی زبان و ادبیات انگلیسی در سال ۱۳۸۳ از دانشگاه گیلان است.
وی همکاری خود را با پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) از سال ۱۳۹۴، به عنوان عضو هیئتعلمی، آغاز نموده است و هماکنون استادیار پژوهشی این پژوهشگاه است. بیشتر فعالیتهای وی تاکنون در حوزه زبانشناسی رایانهای (سیستمهای تبدیل متن به گفتار، نظامهای نوشتاری، یادگیری ماشینی و پردازش زبانی)، زبانشناسی نظری و پیکرهای بوده است و در حوزههای ذکر شده با پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) همکاری مینماید.
همچنین ایشان هماکنون ریاست گروه ارتباطات علمی پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) را بهعهده دارند.
تحصیلات
۱۳۸۸ - ۱۳۹۲ دکتری تخصصی زبانشناسی همگانی - دانشگاه تهران
رساله: تبدیل حرف به واج در متون فارسی
زمینههای پژوهش
نظام نوشتاری فارسی، تبدیل متن به گفتار، بررسی فعل مرکب فارسی در چارچوب زبانشناسی پیکرهای، برچسبگذاری نحوی، رفع ابهام از برچسب نحوی، بررسی همنگارههای فارسی
تماس
alayi@irandoc.ac.ir
#معرفی
@Irandoc_cl | 288 |
| 10 | معرفی هیئتعلمی گروه پژوهشی زبانشناسی رایانشی
دکتر نصراله پاکنیت
زندگینامه
نصراله پاکنیت، دانشآموخته دکتری تخصصی دانشگاه شهید بهشتی در رشته ریاضی با گرایش علوم کامپیوتر در سال ۱۳۹۴ است. او مدارک کارشناسی ارشد و کارشناسی خود را در رشته علوم کامپیوتر، در سالهای ۱۳۸۹ و ۱۳۸۷ از دانشگاه شهید بهشتی و دانشگاه شهید باهنر کرمان دریافت نموده است.
وی کار علمی خود را از تیرماه سال ۱۳۹۵ با عضویت در هیئتعلمی پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) آغاز کرده است. در این پژوهشگاه، او به عنوان استادیار پژوهشکده علوم اطلاعات فعالیت میکند. رمزنگاری، الگوریتمها و متنکاوی از زمینههای پژوهشی مورد علاقه وی هستند.
همچنین ایشان هماکنون ریاست مرکز فناوری اطلاعات و امنیت فضای مجازی پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) را بهعهده دارند.
تحصیلات
۱۳۹۰ - ۱۳۹۴ دکتری تخصصی ریاضی با گرایش رمزنگاری - دانشگاه شهید بهشتی
رساله: رمزنگاری آستانهای سلسلهمراتبی با راهنمایی دکتر زیبا اسلامی
زمینههای پژوهش
امنیت اطلاعات، رمزنگاری، متنکاوی
تماس
pakniat@irandoc.ac.ir
#معرفی
@Irandoc_cl | 261 |
| 11 | فایل صوتی ضبطشده از اولین نشست مجازی انجمن علمی-دانشجویی زبانشناسی رایانشی پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)
موضوع نشست:
- معرفی رشتهی زبانشناسی رایانشی
- محوریت ایرانداک در این رشته
- پرسش و پاسخ با دانشجویان این رشته
سخنران:
امیر صیادی و نوید قربانی، دانشجویان مقطع ارشد زبانشناسی رایانشی ایرانداک
برای حمایت از انجمن، این محتوا رو برای دوستان علاقهمندتون ارسال کنید.
#نشست
#معرفی
@Irandoc_cl | 315 |
| 12 | لحظهتون بهخیر.
از عزیزانی که با حضور گرمشون ما رو در جلسه همراهی کردن و با پیامهای محبتآمیزشون بعد از پایان جلسه دلگرمی دادن کمال تشکر رو داریم، از استقبال غیرمنتظرهی شما دوستان انرژی گرفتیم و خوشحالیم که مطالب براتون مفید بوده.
اگر پیشنهاد یا سوالی بود، در بخش توضیحات این کانال، میتونید آیدی ما رو داشته باشید و اگر سواد و تجربه یاری کنه، در خدمت هستیم.
مسیرتون سبز🙏 | 343 |
| 13 |  انجمن علمی-دانشجویی زبانشناسی رایانشی پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک) با افتخار برگزار میکند:
نشست آشنایی با رشتهی زبانشناسی رایانشی در ایرانداک
موضوع:
- معرفی رشته
- محوریت ایرانداک در این رشته
- پرسش و پاسخ با دانشجویان این رشته
سخنران:
امیر صیادی و نوید قربانی، دانشجویان مقطع ارشد زبانشناسی رایانشی ایرانداک
تاریخ: ۱۳ خرداد ۱۴۰۴
ساعت: ۱۵ تا ۱۷
جلسه بهصورت آنلاین و در بستر گوگل میت برگزار خواهد شد.
شرکت برای تمامی علاقهمندان آزاد است.
لینک جلسه در کانال انجمن قرار خواهد گرفت.
#نشست
#انجمن
#معرفی
@Irandoc_cl | 6 879 |
