اپلیکیشن اندرویدی فلش‌کارت آموزشی شبکه‌های عصبی برای پردازش صدا

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره شبکه‌های عصبی برای پردازش صدا

موضوع کلی: مهندسی نرم‌افزار و توسعه سیستم‌های پردازش سیگنال

موضوع میانی: معماری و چالش‌های فنی در طراحی نرم‌افزارهای تولید موسیقی

📋 سرفصل‌های دوره

• 1. مبانی سیگنال‌های صوتی
• 2. تبدیل آنالوگ به دیجیتال صدا
• 3. نمایش سیگنال‌های صوتی در حوزه زمان
• 4. نمایش سیگنال‌های صوتی در حوزه فرکانس
• 5. تبدیل فوریه سریع (FFT)
• 6. فیلترهای دیجیتال برای صدا
• 7. طراحی فیلترهای FIR
• 8. طراحی فیلترهای IIR
• 9. پیش‌پردازش سیگنال‌های صوتی
• 10. تشخیص ویژگی‌های صوتی: طیف‌نگاشت
• 11. تشخیص ویژگی‌های صوتی: ضرایب ملاسفری
• 12. تشخیص ویژگی‌های صوتی: ویژگی‌های طیفی
• 13. مقدمه‌ای بر شبکه‌های عصبی
• 14. پرceptron و کاربرد آن در صدا
• 15. شبکه‌های عصبی چندلایه
• 16. تابع فعال‌سازی و اهمیت آن
• 17. الگوریتم پس‌انتشار خطا
• 18. بهینه‌سازی گرادیان کاهشی
• 19. شبکه‌های عصبی پیچشی (CNN) برای صدا
• 20. لایه‌های کانولوشن در پردازش صدا
• 21. لایه‌های Pooling در پردازش صدا
• 22. شبکه‌های عصبی بازگشتی (RNN) برای صدا
• 23. حافظه کوتاه‌مدت طولانی (LSTM)
• 24. شبکه‌های عصبی دوطرفه (Bi-RNN)
• 25. شبکه‌های عصبی ترکیبی (CNN-RNN)
• 26. تشخیص گفتار با شبکه‌های عصبی
• 27. تبدیل ویژگی‌های گفتار به بردار
• 28. مدل‌سازی آکوستیک در تشخیص گفتار
• 29. مدل‌سازی زبانی در تشخیص گفتار
• 30. دستور زبان احتمالی (HMM) و شبکه‌های عصبی
• 31. طبقه‌بندی صدا با شبکه‌های عصبی
• 32. تشخیص موسیقی با شبکه‌های عصبی
• 33. تشخیص ژانر موسیقی
• 34. شناسایی سازهای موسیقی
• 35. تولید صدا با شبکه‌های عصبی
• 36. شبکه‌های مولد تخاصمی (GAN) برای صدا
• 37. Autoencoders برای یادگیری ویژگی‌های صدا
• 38. کاهش ابعاد داده‌های صوتی
• 39. انتقال یادگیری در پردازش صدا
• 40. استفاده از مدل‌های پیش‌آموزش‌دیده
• 41. تنظیم دقیق مدل‌های پیش‌آموزش‌دیده
• 42. بهبود عملکرد با افزایش داده
• 43. تکنیک‌های Regularization
• 44. ارزیابی مدل‌های شبکه‌های عصبی در صدا
• 45. متریک‌های ارزیابی در تشخیص گفتار