بوت کمپ پایتون و هوش مصنوعی

1.1. افتتاحیه

01:33:29

1.2. توضیحات محیط و نصب

16

2.2. عملگرهای ریاضی

15

3.2. عملگرهای شرطی، منطقی و بیتی

22

4.2. ساخت رشته ها

17

5.2. کنترل نحوه نمایش

14

1.3. لیست ها

15

2.3. توابع کار با لیست

29

3.3. تاپل ها

09

4.3. دیکشنری و مجموعه

19

1.4. کلیات حل مساله

17

2.4. ساختار الگوریتم ها

18

3.4. دستورات شرطی

17

4.4. حلقه و تکرار

20

5.4. حل چند مساله

10

6.4. فلوچارت

32

1.5. جلسه اول پرسش و پاسخ پایتون

01:07:08

1.6. ساختار شرطی

24

2.6. حلقه ها

12

3.6. حلقه در ساختارهای داده

19

1.7. تابع نویسی

16

2.7. متغیرهای محلی

20

3.7. شی گرایی 01

22

4.7. شی گرایی 02

21

1.8. آرایه های چند بعدی در Numpy

17

2.8. اعمال توابع در Numpy

18

3.8. آمار و احتمالات در Numpy

22

4.8. دیتافریم در Pandas

19

5.8. گروه بندی داده ها در Pandas

21

6.8. رسم نمودار گرافیکی

20

7.8. رسم نمودارهای آماری

20

8.8. کار با فایل

23

9.8. ویروس و آنتی ویروس

15

10.8. آشنایی با انواع خطا

13

11.8. مدیریت استثنا1

14

12.8. مدیریت استثنا2

18

13.8. استثنا(حل تمرین)

15

1.9. جلسه دوم پرسش و پاسخ پایتون

01:56:56

1.10. توابع لامبدا و رسم سری ریمان

19

2.10. رسم اشکال هندسی

17

3.10. مثلث خیام پاسکال

13

4.10. فکر بکر 1

13

5.10. فکر بکر 2

18

1.11. آمار و احتمال 1

27

2.11. آمار و احتمال 2

26

3.11. آمار و احتمال 3

10

4.11. جبرخطی و توابع چند متغیری

23

5.11. بهینه‌سازی توابع محدب

21

1.12. تعاریف

25

2.12. طبقه‌بندی و رگرسیون

30

3.12. یادگیری با ناظر و ارزیابی عملکرد

29

4.12. ارزیابی عملکرد (ادامه)

26

5.12. تناسب مدل و تقسیم‌بندی دادگان

26

6.12. ارزیابی مدل با استفاده از دادگان

27

7.12. بیش برازش و شیوه‌های مقابله با آن

26

1.13. طبقه‌بند بیز

27

2.13. طبقه‌بند بیز، لاجستیک رگرسیون، درخت تصمیم‌گیری

21

3.13. درخت تصمیم‌گیری، جنگل تصادفی و پرسپترون

27

4.13. پرسپترون خطی و نسخه‌های مختلف آن (1)

26

5.13. پرسپترون خطی و نسخه‌های مختلف آن (2) و svm

26

6.13. svm غیر خطی و پرسپترون دو لایه

27

1.14. معرفی پرسپترون چند لایه

30

2.14. توابع هزینه و توابع فعالیت

33

3.14. آموزش در شبکه MLP

22

4.14. توصیه‌هایی جهت آموزش شبکه‌های MLP

22

5.14. منظم‌سازی

24

6.14. ادامه منظم‌سازی و مسائل مرتبط با بهینه‌سازی

23

7.14. ادامه بهینه‌سازی و آماده‌سازی داده‌ها و معرفی شبکه‌های عمیق

25

1.15. شبکه‌های عمیق و چالش‌های آن

17

2.15. شبکه‌های بازگشتی (1)

23

3.15. شبکه‌های بازگشتی (2)

18

1.16. جلسه پرسش و پاسخ هفته دوم

01:53:31

2.16. جلسه پرسش و پاسخ هفته سوم

01:55:06

1.17. مقدمه - کاربردها ی پردازش زبان طبیعی

28

2.17. پیش پردازش 1

25

3.17. پیش پردازش 2

19

1.18. N-gram1

16

2.18. N-gram2

20

3.18. N-gram3

16

1.19. Google Colab

19

2.19. Persian NLP Toolkits Hazm Stanza

17

3.19. Introduction to PyTorch

16

1.20. معرفی و تاریخچه بازشناسی گفتار

10

2.20. معرفی سیگنال دیجیتال، تبدیل فوریه و اسپکتروگرام

27

3.20. استخراج ویژگی و واج‌شناسی

13

4.20. مدل مخفی مارکوف گسسته

25

5.20. مدل مخفی مارکوف پیوسته، مدل زبانی، مقدمه شبکه‌های عصبی

28

6.20. استراتژی‌های آموزش

06

1.21. بازشناسی گفتار، مدل کانال نویزی، ارزیابی و دادگان‌ها

24

2.21. مدل‌سازی مستقل از بافت و مقدمه مدل‌سازی وابسته به بافت

26

3.21. مدل‌سازی وابسته به بافت و کاهش تعداد حالات

22

1.22. Introduction

07

2.22. Signal processing1

21

3.22. Signal processing2

15

4.22. Signal processing3

07

5.22. Signal processing4

24

6.22. Signal processing5

06

7.22. Signal processing6

09

8.22. Signal processing7

18

9.22. Signal processing8

19

10.22. Signal processing9

13

1.23. Colab and fom numpy to pytorch intro

34

2.23. Pytorch autograd

29

3.23. Introduction pytorch dataset dataloader

22

4.23. Introduction pytorch train a simple network

42

1.24. مقدمات بینایی ماشین

14

2.24. اخذ تصویر

29

3.24. تصویر رنگی

23

4.24. تبدیل شدت

10

5.24. فیلترینگ و تبدیل مکانی

22

6.24. تشخیص لبه

11

1.25. هرم تصویر

21

2.25. تشخیص نقاط کلیدی

19

3.25. تطبیق نقاط کلیدی

17

4.25. بازشناسایی تصویر

21

1.26. مرور شبکه‌های تماما متصل

28

2.26. آموزش شبکه‌های عصبی

22

3.26. عملگر کانولوشن

19

4.26. عملگر پولینگ

24

1.27. Google Colab

18

2.27. Introduction

24

3.27. TensorFlow and Keras

09

4.27. Implementation of the Deep FeedForward NN

33

5.27. Coding Deep Feedforward

22

1.28. گروه صوت

06

2.28. گروه متن

49

3.28. گروه تصویر

33

1.29. پرسش و پاسخ اول گروه متن (هوش پارت)

46

2.29. پرسش و پاسخ اول گروه صوت (مرکز تحقیق و توسعه همراه اول)

46

3.29. پرسش و پاسخ اول گروه تصویر (سنسیفای)

36

4.29. جلسه لایو شرکت ویراویراست

01:00:11

1.30. مروری بر آموزش شبکه‌های عصبی۱

23

2.30. مروری بر آموزش شبکه‌های عصبی۲

14

3.30. مقداردهی اولیه و نرمالیزه کردن بسته

27

4.30. افزودن داده و یادگیری انتقالی

20

1.31. معماری‌های قبل از رزنت

27

2.31. معماری‌های بعد از رزنت

23

1.32. Implementation of the CNN Deep NN

23

2.32. Implementation of Transfer Learning

30

3.32. Coding CNN Based Model

06

1.33. الگوریتم کدگشایی ویتربی، بازشناسی کلمات مجزا

21

2.33. بازشناسی کلمات متصل به هم، استفاده مدل زبانی در جستجو، نکات مهم کدکشایی، بازشناسی ارقام

20

1.34. مقدمه روش‌های ترکیبی، محاسبه امتیاز حالات با شبکه عصبی، توابع خطا و بیشینه نرم

23

2.34. آنتروپی متقاتع، مدل‌سازی بافت، طبقه‌بندی واج‌ها، احتمال پسین در شبکه عصبی

20

3.34. درست‌نمایی مقیاس‌شده، مدل‌سازی وابسته به بافت به صورت ترکیب HMM و شبکه عصبی

19

4.34. مدل‌سازی بافت در شبکه، شبکه‌های کانولوشنی و TDNN برای بازشناسی گفتار

26

5.34. استفاده از شبکه‌های بازگشتی RNN و LSTM برای بازشناسی گفتار ترکیبی

26

1.35. مدل مخفی مارکوف1

26

2.35. مدل مخفی مارکوف2

34

3.35. مدل مخفی مارکوف3

38

4.35. استفاده از قالب کار kaldi برای بازشناسی گفتار

20

1.36. طبقه‌بند بیز۱

21

2.36. طبقه‌بند بیز۲

10

3.36. طبقه‌بند بیز۳

13

1.37. تحلیل قطبیت 1

20

2.37. تحلیل قطبیت 2

26

1.38. آشنایی با تنسور و برخی فانکشن‌های پایه - PyTorch

30

2.38. آشنایی با ریتم طراحی مدل - PyTorch

22

3.38. PyTorch - طراحی مدل Logistic Regression

12

4.38. PyTorch - چگونه مدل مبتنی بر شبکه عصبی را عمیقتر و وسیعتر کنیم ؟

18

1.39. گروه تصویر

25

2.39. گروه متن

20

1.40. جلسه با دکتر شکوهی

01:04:52

1.41. پنجره لغزشی و حذف نقاط غیر بیشین

12

2.41. طبقه‌بند آبشاری و معیار ارزیابی

15

3.41. ساختار یولو

15

4.41. تابع هزینه یولو

08

1.42. Training And Overfitting Problem

18

2.42. Coding

29

3.42. Labeling the images

05

4.42. Final project

19

1.43. مقدمه بازشناسی گفتار به صورت e2e، معرفی تابع هزینه CTC

23

2.43. تابع هزینه CTC و برنامه‌نویسی پویا در آن

25

3.43. مثالی از CTC، معرفی شبکه Deep Speech برای بازشناسی گفتار

20

4.43. دیکدینگ با CTC، استنتاج در Deep Speech، جستجوی شعایی در CTC

24

5.43. مدل انکدر-دیکدر با مکانیزم توجه، مدل LAS برای بازشناسی گفتار، مقایسه روش‌های CTC و LAS

28

6.43. شبکه RNN-Transducer برای بازشناسی گفتار، استنتاج و آموزش در RNN-T

19

7.43. مقدمه مدل زبانی، روش‌های ترکیب امتیاز مدل زبانی در مدل بازشناسی گفتار، مدل‌سازی به روش زیر کلمه

32

1.44. تابع خطای CTC

55

2.44. مدل زبانی

41

3.44. توکنایزر

15

1.45. مفهوم بازنمایی

22

2.45. مفهوم بازنمایی تنک

21

3.45. مفهوم بازنمایی تنک ۲

16

4.45. word2vec

21

5.45. word2vec-section2

28

1.46. مبانی شبکه عصبی ۱

19

2.46. مبانی شبکه عصبی ۲

20

3.46. مبانی شبکه عصبی ۳

21

4.46. مدل زبانی مبتنی بر شبکه عصبی

15

1.47. PyTorch - آشنایی با مفهوم Iterration, Epoch, Baching و البته نحوه‌ی کار Data Loader

23

2.47. PyTorch - آشنایی با شبکه‌های بازگشتی یا RNN

48

3.47. PyTorch - توسعه مدل برای تشخیص جنسیت بر اساس نام کاربران با استفاده از پایتورچ

57

1.48. ویدیو ضبط شده وبینار کاربردها و چالش های هوش مصنوعی در کسب و کار اپراتورها (دکتر دوفی)

01:38:22

1.49. معماری یولو نسخه ۳

22

2.49. معماری یولو ایکس

12

1.50. مقدمه، یادگیری استراج ویژگی از گفتار خام با شبکه عصبی به صورت با ناظر و بدون ناظر

18

2.50. آشنایی مقدماتی با ترنسفورمرها

25

3.50. ادامه مبحث ترنسفورمرها

19

4.50. آشنایی مقدماتی با مدل برت (BERT)

14

5.50. مدل‌ها و یادگیری Contrastive، معرفی مدل Wav2vec

28

6.50. ‌مدل VQ-Wav2vec، مدل Wav2vec 2.0

24

1.51. Intro-transformer 1

18

2.51. Intro-transformer 2

13

3.51. Intro-transformer 3

13

4.51. Intro-transformer 4

13

5.51. speech brain

27

1.52. شبکه‌های RNN

20

2.52. attention

14

3.52. ترنسفورمرها - مقدمه

23

4.52. ترنسفورمرها - ادامه و نتایج

15

1.53. مقدمه بازنمایی contextual

23

2.53. مدل برت

26

3.53. نتایج و تحلیل‌ها

16

1.54. معرفی پلتفورم Hugging Face و Pipelines

27

2.54. چگونه یک مدل Pre-trained را لود کنیم ؟

36

3.54. آشنایی با کلاس AutoTokenizer, AutoModelFor و ابزارهای Preprocessing دیتا

28

4.54. آشنایی با کلاس Dataset

21

5.54. چگونه یک مدل Pre-traind را fine-tune کنیم ؟

31

6.54. پیاده سازی پروژه‌ی Sentiment Analysis

44

1.55. جلسه پرسش و پاسخ گروه تصویر

57

2.55. جلسه پرسش و پاسخ گروه صوت

47

1.56. wav2vec2-1

12

2.56. wav2vec2-2

11

3.56. wav2vec2-3

15

1.57. جلسه پرسش و پاسخ گروه صوت

46

2.57. جلسه پرسش و پاسخ گروه متن

32

3.57. جلسه پرسش و پاسخ گروه تصویر

54

4.57. جلسه پرسش و پاسخ گروه صوت

54

5.57. جلسه پرسش و پاسخ گروه متن

01:16:10

6.57. جلسه پرسش و پاسخ گروه تصویر

55

1.58. راهنمای بارگذاری پروژه در مودل

12