فلش‌کارت‌های آموزشی ساخت طبقه‌بندهای عصبی صوت: از سیگنال خام تا استقرار بلادرنگ

🎓 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