بوت کمپ پایتون و هوش مصنوعی

1.1. افتتاحیه

01:33′

1.2. توضیحات محیط و نصب

00:16′

2.2. عملگرهای ریاضی

00:15′

3.2. عملگرهای شرطی، منطقی و بیتی

00:22′

4.2. ساخت رشته ها

00:17′

5.2. کنترل نحوه نمایش

00:14′

1.3. لیست ها

00:15′

2.3. توابع کار با لیست

00:29′

3.3. تاپل ها

00:09′

4.3. دیکشنری و مجموعه

00:19′

1.4. کلیات حل مساله

00:17′

2.4. ساختار الگوریتم ها

00:18′

3.4. دستورات شرطی

00:17′

4.4. حلقه و تکرار

00:20′

5.4. حل چند مساله

00:10′

6.4. فلوچارت

00:32′

1.5. جلسه اول پرسش و پاسخ پایتون

01:07′

1.6. ساختار شرطی

00:24′

2.6. حلقه ها

00:12′

3.6. حلقه در ساختارهای داده

00:19′

1.7. تابع نویسی

00:16′

2.7. متغیرهای محلی

00:20′

3.7. شی گرایی 01

00:22′

4.7. شی گرایی 02

00:21′

1.8. آرایه های چند بعدی در Numpy

00:17′

2.8. اعمال توابع در Numpy

00:18′

3.8. آمار و احتمالات در Numpy

00:22′

4.8. دیتافریم در Pandas

00:19′

5.8. گروه بندی داده ها در Pandas

00:21′

6.8. رسم نمودار گرافیکی

00:20′

7.8. رسم نمودارهای آماری

00:20′

8.8. کار با فایل

00:23′

9.8. ویروس و آنتی ویروس

00:15′

10.8. آشنایی با انواع خطا

00:13′

11.8. مدیریت استثنا1

00:14′

12.8. مدیریت استثنا2

00:18′

13.8. استثنا(حل تمرین)

00:15′

1.9. جلسه دوم پرسش و پاسخ پایتون

01:56′

1.10. توابع لامبدا و رسم سری ریمان

00:19′

2.10. رسم اشکال هندسی

00:17′

3.10. مثلث خیام پاسکال

00:13′

4.10. فکر بکر 1

00:13′

5.10. فکر بکر 2

00:18′

1.11. آمار و احتمال 1

00:27′

2.11. آمار و احتمال 2

00:26′

3.11. آمار و احتمال 3

00:10′

4.11. جبرخطی و توابع چند متغیری

00:23′

5.11. بهینه‌سازی توابع محدب

00:21′

1.12. تعاریف

00:25′

2.12. طبقه‌بندی و رگرسیون

00:30′

3.12. یادگیری با ناظر و ارزیابی عملکرد

00:29′

4.12. ارزیابی عملکرد (ادامه)

00:26′

5.12. تناسب مدل و تقسیم‌بندی دادگان

00:26′

6.12. ارزیابی مدل با استفاده از دادگان

00:27′

7.12. بیش برازش و شیوه‌های مقابله با آن

00:26′

1.13. طبقه‌بند بیز

00:27′

2.13. طبقه‌بند بیز، لاجستیک رگرسیون، درخت تصمیم‌گیری

00:21′

3.13. درخت تصمیم‌گیری، جنگل تصادفی و پرسپترون

00:27′

4.13. پرسپترون خطی و نسخه‌های مختلف آن (1)

00:26′

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

00:26′

6.13. svm غیر خطی و پرسپترون دو لایه

00:27′

1.14. معرفی پرسپترون چند لایه

00:30′

2.14. توابع هزینه و توابع فعالیت

00:33′

3.14. آموزش در شبکه MLP

00:22′

4.14. توصیه‌هایی جهت آموزش شبکه‌های MLP

00:22′

5.14. منظم‌سازی

00:24′

6.14. ادامه منظم‌سازی و مسائل مرتبط با بهینه‌سازی

00:23′

7.14. ادامه بهینه‌سازی و آماده‌سازی داده‌ها و معرفی شبکه‌های عمیق

00:25′

1.15. شبکه‌های عمیق و چالش‌های آن

00:17′

2.15. شبکه‌های بازگشتی (1)

00:23′

3.15. شبکه‌های بازگشتی (2)

00:18′

1.16. جلسه پرسش و پاسخ هفته دوم

01:53′

2.16. جلسه پرسش و پاسخ هفته سوم

01:55′

1.17. مقدمه - کاربردها ی پردازش زبان طبیعی

00:28′

2.17. پیش پردازش 1

00:25′

3.17. پیش پردازش 2

00:19′

1.18. N-gram1

00:16′

2.18. N-gram2

00:20′

3.18. N-gram3

00:16′

1.19. Google Colab

00:19′

2.19. Persian NLP Toolkits Hazm Stanza

00:17′

3.19. Introduction to PyTorch

00:16′

1.20. معرفی و تاریخچه بازشناسی گفتار

00:10′

2.20. معرفی سیگنال دیجیتال، تبدیل فوریه و اسپکتروگرام

00:27′

3.20. استخراج ویژگی و واج‌شناسی

00:13′

4.20. مدل مخفی مارکوف گسسته

00:25′

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

00:28′

6.20. استراتژی‌های آموزش

00:06′

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

00:24′

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

00:26′

3.21. مدل‌سازی وابسته به بافت و کاهش تعداد حالات

00:22′

1.22. Introduction

00:07′

2.22. Signal processing1

00:21′

3.22. Signal processing2

00:15′

4.22. Signal processing3

00:07′

5.22. Signal processing4

00:24′

6.22. Signal processing5

00:06′

7.22. Signal processing6

00:09′

8.22. Signal processing7

00:18′

9.22. Signal processing8

00:19′

10.22. Signal processing9

00:13′

1.23. Colab and fom numpy to pytorch intro

00:34′

2.23. Pytorch autograd

00:29′

3.23. Introduction pytorch dataset dataloader

00:22′

4.23. Introduction pytorch train a simple network

00:42′

1.24. مقدمات بینایی ماشین

00:14′

2.24. اخذ تصویر

00:29′

3.24. تصویر رنگی

00:23′

4.24. تبدیل شدت

00:10′

5.24. فیلترینگ و تبدیل مکانی

00:22′

6.24. تشخیص لبه

00:11′

1.25. هرم تصویر

00:21′

2.25. تشخیص نقاط کلیدی

00:19′

3.25. تطبیق نقاط کلیدی

00:17′

4.25. بازشناسایی تصویر

00:21′

1.26. مرور شبکه‌های تماما متصل

00:28′

2.26. آموزش شبکه‌های عصبی

00:22′

3.26. عملگر کانولوشن

00:19′

4.26. عملگر پولینگ

00:24′

1.27. Google Colab

00:18′

2.27. Introduction

00:24′

3.27. TensorFlow and Keras

00:09′

4.27. Implementation of the Deep FeedForward NN

00:33′

5.27. Coding Deep Feedforward

00:22′

1.28. گروه صوت

00:06′

2.28. گروه متن

00:49′

3.28. گروه تصویر

00:33′

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

00:46′

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

00:46′

3.29. پرسش و پاسخ اول گروه تصویر (سنسیفای)

00:36′

4.29. جلسه لایو شرکت ویراویراست

01:00′

1.30. مروری بر آموزش شبکه‌های عصبی۱

00:23′

2.30. مروری بر آموزش شبکه‌های عصبی۲

00:14′

3.30. مقداردهی اولیه و نرمالیزه کردن بسته

00:27′

4.30. افزودن داده و یادگیری انتقالی

00:20′

1.31. معماری‌های قبل از رزنت

00:27′

2.31. معماری‌های بعد از رزنت

00:23′

1.32. Implementation of the CNN Deep NN

00:23′

2.32. Implementation of Transfer Learning

00:30′

3.32. Coding CNN Based Model

00:06′

1.33. الگوریتم کدگشایی ویتربی، بازشناسی کلمات مجزا

00:21′

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

00:20′

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

00:23′

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

00:20′

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

00:19′

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

00:26′

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

00:26′

1.35. مدل مخفی مارکوف1

00:26′

2.35. مدل مخفی مارکوف2

00:34′

3.35. مدل مخفی مارکوف3

00:38′

4.35. استفاده از قالب کار kaldi برای بازشناسی گفتار

00:20′

1.36. طبقه‌بند بیز۱

00:21′

2.36. طبقه‌بند بیز۲

00:10′

3.36. طبقه‌بند بیز۳

00:13′

1.37. تحلیل قطبیت 1

00:20′

2.37. تحلیل قطبیت 2

00:26′

1.38. آشنایی با تنسور و برخی فانکشن‌های پایه - PyTorch

00:30′

2.38. آشنایی با ریتم طراحی مدل - PyTorch

00:22′

3.38. PyTorch - طراحی مدل Logistic Regression

00:12′

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

00:18′

1.39. گروه تصویر

00:25′

2.39. گروه متن

00:20′

1.40. جلسه با دکتر شکوهی

01:04′

1.41. پنجره لغزشی و حذف نقاط غیر بیشین

00:12′

2.41. طبقه‌بند آبشاری و معیار ارزیابی

00:15′

3.41. ساختار یولو

00:15′

4.41. تابع هزینه یولو

00:08′

1.42. Training And Overfitting Problem

00:18′

2.42. Coding

00:29′

3.42. Labeling the images

00:05′

4.42. Final project

00:19′

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

00:23′

2.43. تابع هزینه CTC و برنامه‌نویسی پویا در آن

00:25′

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

00:20′

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

00:24′

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

00:28′

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

00:19′

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

00:32′

1.44. تابع خطای CTC

00:55′

2.44. مدل زبانی

00:41′

3.44. توکنایزر

00:15′

1.45. مفهوم بازنمایی

00:22′

2.45. مفهوم بازنمایی تنک

00:21′

3.45. مفهوم بازنمایی تنک ۲

00:16′

4.45. word2vec

00:21′

5.45. word2vec-section2

00:28′

1.46. مبانی شبکه عصبی ۱

00:19′

2.46. مبانی شبکه عصبی ۲

00:20′

3.46. مبانی شبکه عصبی ۳

00:21′

4.46. مدل زبانی مبتنی بر شبکه عصبی

00:15′

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

00:23′

2.47. PyTorch - آشنایی با شبکه‌های بازگشتی یا RNN

00:48′

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

00:57′

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

01:38′

1.49. معماری یولو نسخه ۳

00:22′

2.49. معماری یولو ایکس

00:12′

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

00:18′

2.50. آشنایی مقدماتی با ترنسفورمرها

00:25′

3.50. ادامه مبحث ترنسفورمرها

00:19′

4.50. آشنایی مقدماتی با مدل برت (BERT)

00:14′

5.50. مدل‌ها و یادگیری Contrastive، معرفی مدل Wav2vec

00:28′

6.50. ‌مدل VQ-Wav2vec، مدل Wav2vec 2.0

00:24′

1.51. Intro-transformer 1

00:18′

2.51. Intro-transformer 2

00:13′

3.51. Intro-transformer 3

00:13′

4.51. Intro-transformer 4

00:13′

5.51. speech brain

00:27′

1.52. شبکه‌های RNN

00:20′

2.52. attention

00:14′

3.52. ترنسفورمرها - مقدمه

00:23′

4.52. ترنسفورمرها - ادامه و نتایج

00:15′

1.53. مقدمه بازنمایی contextual

00:23′

2.53. مدل برت

00:26′

3.53. نتایج و تحلیل‌ها

00:16′

1.54. معرفی پلتفورم Hugging Face و Pipelines

00:27′

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

00:36′

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

00:28′

4.54. آشنایی با کلاس Dataset

00:21′

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

00:31′

6.54. پیاده سازی پروژه‌ی Sentiment Analysis

00:44′

1.55. جلسه پرسش و پاسخ گروه تصویر

00:57′

2.55. جلسه پرسش و پاسخ گروه صوت

00:47′

1.56. wav2vec2-1

00:12′

2.56. wav2vec2-2

00:11′

3.56. wav2vec2-3

00:15′

1.57. جلسه پرسش و پاسخ گروه صوت

00:46′

2.57. جلسه پرسش و پاسخ گروه متن

00:32′

3.57. جلسه پرسش و پاسخ گروه تصویر

00:54′

4.57. جلسه پرسش و پاسخ گروه صوت

00:54′

5.57. جلسه پرسش و پاسخ گروه متن

01:16′

6.57. جلسه پرسش و پاسخ گروه تصویر

00:55′