کتاب ساخت طبقهبندهای عصبی صوت: از سیگنال خام تا استقرار بلادرنگ با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB
249,950 تومان
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره ساخت طبقهبندهای عصبی صوت: از سیگنال خام تا استقرار بلادرنگ
موضوع کلی: هوش مصنوعی و پردازش صوت
موضوع میانی: طبقه‌بندی صوت با شبکه‌های عصبی
📋 سرفصل‌های دوره
- 1. کاربردها، محدودیت‌ها و سناریوهای طبقه‌بندی صوت
- 2. طراحی خط لولهٔ داده، آموزش، ارزیابی و استقرار
- 3. مفاهیم موج، دامنه، فرکانس و فاز
- 4. نمونه‌برداری، نرخ نوازش، عمق بیت و پدیدهٔ Alias
- 5. قالب‌ها، کدک‌ها و انتخاب کیفیت فایل صوتی
- 6. راه‌اندازی محیط Python، کتابخانه‌ها و مدیریت وابستگی‌ها
- 7. پردازش برداری سیگنال با NumPy و SciPy
- 8. بارگذاری، ذخیره‌سازی و تبدیل نرخ نوازش فایل‌های صوتی
- 9. مدیریت کانال‌ها، متادیتا و یکدست‌سازی مجموعه داده
- 10. تحلیل و بصری‌سازی سیگنال در حوزهٔ زمان
- 11. مبانی شنوایی انسان و ادراک بلندی، زیروبمی و ماسک‌شدگی
- 12. راهبردهای گردآوری دادهٔ صوتی و مستندسازی منابع
- 13. طراحی راهنمای برچسب‌گذاری و کنترل کیفیت آنوتیشن
- 14. پاک‌سازی برچسب‌ها، متادیتا و نمونه‌های نامعتبر
- 15. تقسیم‌بندی آموزش، اعتبارسنجی و آزمون بدون نشت داده
- 16. مدیریت نامتوازن بودن کلاس‌ها و دادهٔ کمیاب
- 17. حذف سکوت، هرس کردن فایل‌ها و تعیین بازه‌های مفید
- 18. نرمال‌سازی دامنه، گین و بلندی صوت
- 19. کاهش نویز، حذف طنین و بهبود کیفیت سیگنال
- 20. قطعه‌قطعه‌کردن صوت، پنجره‌بندی و ایجاد نمونه‌های با طول ثابت
- 21. ویژگی‌های حوزهٔ زمان برای مدل‌های کلاسیک و عصبی
- 22. محاسبهٔ انرژی، RMS، نرخ عبور از صفر و پوش سیگنال
- 23. تحلیل فوریه، طیف فرکانسی و پدیدهٔ نشت فرکانسی
- 24. تبدیل فوریهٔ کوتاه‌زمان و ساخت اسپکتروگرام
- 25. فیلتربانک‌های Mel و تولید مل‌اسپکتروگرام
- 26. استخراج MFCC و ضرایب تفاضلی و شتابی
- 27. ویژگی‌های طیفی، کروما و توصیف‌گرهای محتوای موسیقی
- 28. استانداردسازی و انتخاب ویژگی‌های دستی
- 29. ساخت خط مبنا با مدل‌های کلاسیک طبقه‌بندی
- 30. مرور شبکه‌های عصبی، پرسپترون و پس‌انتشار خطا
- 31. طبقه‌بند چندلایه برای ویژگی‌های مهندسی‌شده
- 32. شبکهٔ کانولوشنی یک‌بعدی برای شکل‌موج خام
- 33. شبکهٔ کانولوشنی دوبعدی برای نقشه‌های طیفی
- 34. CNNهای سبک و کانولوشنی عمقی-جدایی‌پذیر
- 35. شبکه‌های بازگشتی LSTM و GRU برای توالی‌های صوتی
- 36. سازوکار توجه برای تمرکز بر نواحی مهم زمان-فرکانس
- 37. ترنسفورمرها و مدل‌های مبتنی بر Patch برای صوت
- 38. یادگیری انتقالی با مدل‌های از پیش آموزش‌دیدهٔ صوت
- 39. بردارسازی صوت و طبقه‌بندی مبتنی بر شباهت
- 40. یادگیری خودنظارتی و تقابلی برای نمایش صوت
- 41. یادگیری چندوظیفگی و اشتراک نمایش میان وظایف
- 42. انتخاب معماری بر اساس داده، محدودیت و هدف
- 43. پیاده‌سازی Dataset، DataLoader و Batchهای صوتی
- 44. طراحی لایهٔ خروجی و فضای برچسب چندکلاسه
- 45. ساخت حلقهٔ آموزش، اعتبارسنجی و ذخیرهٔ چک‌پوینت
- 46. پیاده‌سازی Early Stopping، چک‌پوینت و بازیابی آموزش
- 47. تابع‌های زیان برای طبقه‌بندی، کلاس نامتوازن و برچسب نرم
- 48. بهینه‌سازها و تنظیم ممنتوم و جریمهٔ وزن
- 49. زمان‌بندی نرخ یادگیری و یافتن محدودهٔ مؤثر
- 50. لایه‌های نرمال‌سازی Batch، Layer و Group Norm
- 51. منظم‌سازی، Dropout و کنترل بیش‌برازش
- 52. آموزش کارآمد با GPU، Mixed Precision و Gradient Accumulation
- 53. افزایش دادهٔ پایه در زمان، فرکانس و دامنه
- 54. افزایش دادهٔ پیشرفته با MixUp، CutMix و SpecAugment
- 55. تاب‌آوری در برابر نویز، طنین، کانال و اختلالات واقعی
- 56. کاهش تغییر توزیع و تعمیم بین دامنه‌های صوتی
- 57. معیارهای Accuracy، Precision، Recall، F1 و ROC
- 58. کالیبره‌کردن احتمال و انتخاب آستانهٔ تصمیم
- 59. ماتریس درهم‌ریختگی و تحلیل خطاهای مدل
- 60. تفسیرپذیری با نقشه‌های اهمیت زمان-فرکانس
- 61. تشخیص و جلوگیری از نشت داده در سطح فایل و گوینده
- 62. ثبت آزمایش‌ها، نسخه‌بندی داده و تکرارپذیری نتایج
- 63. پیاده‌سازی طبقه‌بندی صداهای محیطی
- 64. پیاده‌سازی تشخیص فرمان‌های گفتاری
- 65. پیاده‌سازی طبقه‌بندی سبک و گونهٔ موسیقی
- 66. پیاده‌سازی تشخیص گوینده از ویژگی‌های صوتی
- 67. پیاده‌سازی تشخیص هیجان در گفتار
- 68. پیاده‌سازی کشف رویداد و ناهنجاری صوتی
- 69. طراحی خط لولهٔ استقرار مدل آموزش‌دیده
- 70. پردازش بلادرنگ، جریان صوت و پنجره‌های لغزان
- 71. بهینه‌سازی نهفتگی، حافظه و توان محاسباتی
- 72. فشرده‌سازی مدل با کوانتش، هرس و تقطیر دانش
- 73. صادرات مدل به ONNX، TensorFlow Lite و فرمت‌های موبایل
- 74. ساخت سرویس API برای استنتاج دسته‌ای و آنلاین
- 75. استقرار روی موبایل، Raspberry Pi و دستگاه‌های لبه‌ای
- 76. پایش کیفیت داده، رانش توزیع و عملکرد مدل در تولید
- 77. بازآموزی تدریجی، یادگیری فعال و چرخهٔ بهبود مدل
- 78. پروژهٔ پایانی: ساخت مجموعه‌داده و خط لولهٔ ویژگی
- 79. پروژهٔ پایانی: آموزش، تنظیم و ارزیابی طبقه‌بند عصبی
- 80. پروژهٔ پایانی: استقرار، مانیتورینگ و مستندسازی نهایی
تگ‌ها:
audio classification
CNN
deep learning
digital signal processing
MFCC
neural audio classifier
PyTorch
real-time audio
spectrogram
TensorFlow
transfer learning
پردازش صوت
شبکه عصبی
طبقه‌بندی صوت
یادگیری عمیق
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.