مسیر آموزشی Speech and Audio specialist

مسیر آموزشی Speech and Audio specialist

ساعت آموزشی مورد نیاز: 120 ساعت

مدرس: دکتر مهدی شکری زاده (دکتری پردازش سیگنال از امپریال کالج لندن)

مخاطبین: این دوره برای دانشجویان و فارغ التحصیلان رشته های مهندسی برق، کامپیوتر، هوش مصنوعی و سایر رشته های مرتبط که علاقه مند به فعالیت در زمینه پردازش گفتار و صوت هستند، مناسب است.

هدف برگزاری:  این دوره جامع به شرکت کنندگان دانش و مهارت های لازم برای کار در زمینه پردازش گفتار و صوت با استفاده از تکنیک های پیشرفته یادگیری عمیق را ارائه می دهد. شرکت کنندگان با مبانی نظری و عملی پردازش سیگنال های صوتی، تکنیک های یادگیری ماشین و شبکه های عصبی عمیق، و کاربردهای آنها در حوزه گفتار و صوت آشنا خواهند شد.

پیش‌نیاز:

• آشنایی با مبانی ریاضیات (حسابان، جبر خطی، احتمالات)
• آشنایی با برنامه‌نویسی پایتون
• آشنایی با مبانی یادگیری ماشین

شرح سرفصل‌ها:

بخش اول: مبانی پردازش سیگنال های صوتی

فصل 1: مقدمه ای بر صوت و گفتار

ماهیت صوت و گفتار

سیگنال های صوتی دیجیتال

تبدیل آنالوگ به دیجیتال و دیجیتال به آنالوگ

ویژگی های سیگنال های صوتی

 

فصل 2: تحلیل سیگنال‌های صوتی در حوزه زمان

پارامترهای زمان سیگنال های صوتی (دامنه، فرکانس، طول)

پنجره زنی و تحلیل کوتاه مدت

انرژی و توان سیگنال های صوتی

 

فصل 3: تحلیل سیگنال‌های صوتی در حوزه فرکانس

تبدیل فوریه گسسته (DFT) و FFT

طیف نگاشت (Spectrogram)

Melfrequency Cepstral Coefficients (MFCCs)

فصل 4: ویژگی های سیگنال های صوتی

ویژگی های زمان محور (Zero-Crossing Rate, Short-Time Energy)

ویژگی های فرکانس محور (Spectral Centroid, Spectral Bandwidth)

ویژگی های ادراکی (MFCCs, Chroma Features)

 

بخش دوم: یادگیری ماشین و یادگیری عمیق برای گفتار و صوت

 

فصل 5: یادگیری ماشین کلاسیک

یادگیری با نظارت، بدون نظارت و نیمه نظارت

الگوریتم‌های دسته‌بندی (k-NN, SVM, Decision Tree)

الگوریتم‌های رگرسیون (Linear Regression, Polynomial Regression)

معیارهای ارزیابی عملکرد مدل‌ها

 

فصل 6: یادگیری عمیق

شبکه‌های عصبی مصنوعی (ANN)

شبکه‌های کانولوشنال (CNN)

شبکه‌های بازگشتی (RNN)

شبکه هایLSTM  و  GRU

Autoencoders

 

فصل 7: کاربردهای یادگیری عمیق در گفتار و صوت

تشخیص گفتار (Speech Recognition)

تشخیص گوینده (Speaker Recognition)

تبدیل متن به گفتار (Text-to-Speech)

کاهش نویز و بهبود کیفیت صدا

تشخیص احساسات از روی صدا

موسیقی و پردازش صدا

 

 

بخش سوم: پروژه های عملی و مباحث پیشرفته

فصل 8: پروژه های عملی

پروژه 1: تشخیص کلمات کلیدی

پروژه 2: تشخیص گوینده

پروژه 3: تبدیل متن به گفتار

پروژه 4: کاهش نویز صدا

 

فصل 9: مباحث پیشرفته

مدل های زبانی (Language Models)

توجه (Attention)

Transformer

مدل های مولد صدا (Generative Models for Audio)