بوت کمپ پایتون و هوش مصنوعی

1.1. افتتاحیه

01:33:29

1.2. توضیحات محیط و نصب

16:17

2.2. عملگرهای ریاضی

15:46

3.2. عملگرهای شرطی، منطقی و بیتی

22:11

4.2. ساخت رشته ها

17:47

5.2. کنترل نحوه نمایش

14:11

1.3. لیست ها

15:14

2.3. توابع کار با لیست

29:45

3.3. تاپل ها

09:12

4.3. دیکشنری و مجموعه

19:24

1.4. کلیات حل مساله

17:58

2.4. ساختار الگوریتم ها

18:31

3.4. دستورات شرطی

17:59

4.4. حلقه و تکرار

20:01

5.4. حل چند مساله

10:09

6.4. فلوچارت

32:31

1.5. جلسه اول پرسش و پاسخ پایتون

01:07:08

1.6. ساختار شرطی

24:12

2.6. حلقه ها

12:50

3.6. حلقه در ساختارهای داده

19:17

1.7. تابع نویسی

16:18

2.7. متغیرهای محلی

20:51

3.7. شی گرایی 01

22:21

4.7. شی گرایی 02

21:39

1.8. آرایه های چند بعدی در Numpy

17:32

2.8. اعمال توابع در Numpy

18:38

3.8. آمار و احتمالات در Numpy

22:25

4.8. دیتافریم در Pandas

19:34

5.8. گروه بندی داده ها در Pandas

21:52

6.8. رسم نمودار گرافیکی

20:40

7.8. رسم نمودارهای آماری

20:17

8.8. کار با فایل

23:40

9.8. ویروس و آنتی ویروس

15:54

10.8. آشنایی با انواع خطا

13:54

11.8. مدیریت استثنا1

14:10

12.8. مدیریت استثنا2

18:28

13.8. استثنا(حل تمرین)

15:25

1.9. جلسه دوم پرسش و پاسخ پایتون

01:56:56

1.10. توابع لامبدا و رسم سری ریمان

19:34

2.10. رسم اشکال هندسی

17:16

3.10. مثلث خیام پاسکال

13:41

4.10. فکر بکر 1

13:00

5.10. فکر بکر 2

18:13

1.11. آمار و احتمال 1

27:12

2.11. آمار و احتمال 2

26:53

3.11. آمار و احتمال 3

10:55

4.11. جبرخطی و توابع چند متغیری

23:17

5.11. بهینه‌سازی توابع محدب

21:04

1.12. تعاریف

25:59

2.12. طبقه‌بندی و رگرسیون

30:02

3.12. یادگیری با ناظر و ارزیابی عملکرد

29:04

4.12. ارزیابی عملکرد (ادامه)

26:33

5.12. تناسب مدل و تقسیم‌بندی دادگان

26:07

6.12. ارزیابی مدل با استفاده از دادگان

27:22

7.12. بیش برازش و شیوه‌های مقابله با آن

26:36

1.13. طبقه‌بند بیز

27:49

2.13. طبقه‌بند بیز، لاجستیک رگرسیون، درخت تصمیم‌گیری

21:43

3.13. درخت تصمیم‌گیری، جنگل تصادفی و پرسپترون

27:46

4.13. پرسپترون خطی و نسخه‌های مختلف آن (1)

26:35

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

26:45

6.13. svm غیر خطی و پرسپترون دو لایه

27:19

1.14. معرفی پرسپترون چند لایه

30:23

2.14. توابع هزینه و توابع فعالیت

33:02

3.14. آموزش در شبکه MLP

22:22

4.14. توصیه‌هایی جهت آموزش شبکه‌های MLP

22:10

5.14. منظم‌سازی

24:09

6.14. ادامه منظم‌سازی و مسائل مرتبط با بهینه‌سازی

23:22

7.14. ادامه بهینه‌سازی و آماده‌سازی داده‌ها و معرفی شبکه‌های عمیق

25:42

1.15. شبکه‌های عمیق و چالش‌های آن

17:52

2.15. شبکه‌های بازگشتی (1)

23:18

3.15. شبکه‌های بازگشتی (2)

18:11

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

28:53

2.17. پیش پردازش 1

25:19

3.17. پیش پردازش 2

19:05

1.18. N-gram1

16:29

2.18. N-gram2

20:59

3.18. N-gram3

16:21

1.19. Google Colab

19:50

2.19. Persian NLP Toolkits Hazm Stanza

17:49

3.19. Introduction to PyTorch

16:49

1.20. معرفی و تاریخچه بازشناسی گفتار

10:08

2.20. معرفی سیگنال دیجیتال، تبدیل فوریه و اسپکتروگرام

27:07

3.20. استخراج ویژگی و واج‌شناسی

13:28

4.20. مدل مخفی مارکوف گسسته

25:08

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

28:02

6.20. استراتژی‌های آموزش

06:42

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

24:21

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

26:46

3.21. مدل‌سازی وابسته به بافت و کاهش تعداد حالات

22:46

1.22. Introduction

07:06

2.22. Signal processing1

21:01

3.22. Signal processing2

15:36

4.22. Signal processing3

07:41

5.22. Signal processing4

24:19

6.22. Signal processing5

06:17

7.22. Signal processing6

09:53

8.22. Signal processing7

18:57

9.22. Signal processing8

19:21

10.22. Signal processing9

13:36

1.23. Colab and fom numpy to pytorch intro

34:31

2.23. Pytorch autograd

29:39

3.23. Introduction pytorch dataset dataloader

22:18

4.23. Introduction pytorch train a simple network

42:42

1.24. مقدمات بینایی ماشین

14:28

2.24. اخذ تصویر

29:37

3.24. تصویر رنگی

23:56

4.24. تبدیل شدت

10:35

5.24. فیلترینگ و تبدیل مکانی

22:08

6.24. تشخیص لبه

11:53

1.25. هرم تصویر

21:12

2.25. تشخیص نقاط کلیدی

19:47

3.25. تطبیق نقاط کلیدی

17:19

4.25. بازشناسایی تصویر

21:32

1.26. مرور شبکه‌های تماما متصل

28:20

2.26. آموزش شبکه‌های عصبی

22:35

3.26. عملگر کانولوشن

19:47

4.26. عملگر پولینگ

24:21

1.27. Google Colab

18:48

2.27. Introduction

24:05

3.27. TensorFlow and Keras

09:36

4.27. Implementation of the Deep FeedForward NN

33:31

5.27. Coding Deep Feedforward

22:08

1.28. گروه صوت

06:48

2.28. گروه متن

49:49

3.28. گروه تصویر

33:45

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

46:55

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

46:06

3.29. پرسش و پاسخ اول گروه تصویر (سنسیفای)

36:40

4.29. جلسه لایو شرکت ویراویراست

01:00:11

1.30. مروری بر آموزش شبکه‌های عصبی۱

23:40

2.30. مروری بر آموزش شبکه‌های عصبی۲

14:21

3.30. مقداردهی اولیه و نرمالیزه کردن بسته

27:44

4.30. افزودن داده و یادگیری انتقالی

20:45

1.31. معماری‌های قبل از رزنت

27:45

2.31. معماری‌های بعد از رزنت

23:56

1.32. Implementation of the CNN Deep NN

23:37

2.32. Implementation of Transfer Learning

30:43

3.32. Coding CNN Based Model

06:52

1.33. الگوریتم کدگشایی ویتربی، بازشناسی کلمات مجزا

21:45

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

20:33

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

23:23

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

20:22

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

19:21

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

26:31

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

26:29

1.35. مدل مخفی مارکوف1

26:51

2.35. مدل مخفی مارکوف2

34:26

3.35. مدل مخفی مارکوف3

38:20

4.35. استفاده از قالب کار kaldi برای بازشناسی گفتار

20:39

1.36. طبقه‌بند بیز۱

21:28

2.36. طبقه‌بند بیز۲

10:29

3.36. طبقه‌بند بیز۳

13:04

1.37. تحلیل قطبیت 1

20:21

2.37. تحلیل قطبیت 2

26:14

1.38. آشنایی با تنسور و برخی فانکشن‌های پایه - PyTorch

30:51

2.38. آشنایی با ریتم طراحی مدل - PyTorch

22:51

3.38. PyTorch - طراحی مدل Logistic Regression

12:11

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

18:17

1.39. گروه تصویر

25:16

2.39. گروه متن

20:58

1.40. جلسه با دکتر شکوهی

01:04:52

1.41. پنجره لغزشی و حذف نقاط غیر بیشین

12:22

2.41. طبقه‌بند آبشاری و معیار ارزیابی

15:10

3.41. ساختار یولو

15:42

4.41. تابع هزینه یولو

08:36

1.42. Training And Overfitting Problem

18:50

2.42. Coding

29:35

3.42. Labeling the images

05:18

4.42. Final project

19:28

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

23:05

2.43. تابع هزینه CTC و برنامه‌نویسی پویا در آن

25:07

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

20:49

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

24:19

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

28:51

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

19:14

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

32:05

1.44. تابع خطای CTC

55:59

2.44. مدل زبانی

41:19

3.44. توکنایزر

15:27

1.45. مفهوم بازنمایی

22:30

2.45. مفهوم بازنمایی تنک

21:43

3.45. مفهوم بازنمایی تنک ۲

16:39

4.45. word2vec

21:52

5.45. word2vec-section2

28:03

1.46. مبانی شبکه عصبی ۱

19:50

2.46. مبانی شبکه عصبی ۲

20:02

3.46. مبانی شبکه عصبی ۳

21:23

4.46. مدل زبانی مبتنی بر شبکه عصبی

15:38

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

23:53

2.47. PyTorch - آشنایی با شبکه‌های بازگشتی یا RNN

48:08

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

57:25

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

22:13

2.49. معماری یولو ایکس

12:54

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

18:12

2.50. آشنایی مقدماتی با ترنسفورمرها

25:13

3.50. ادامه مبحث ترنسفورمرها

19:04

4.50. آشنایی مقدماتی با مدل برت (BERT)

14:24

5.50. مدل‌ها و یادگیری Contrastive، معرفی مدل Wav2vec

28:07

6.50. ‌مدل VQ-Wav2vec، مدل Wav2vec 2.0

24:29

1.51. Intro-transformer 1

18:23

2.51. Intro-transformer 2

13:15

3.51. Intro-transformer 3

13:15

4.51. Intro-transformer 4

13:24

5.51. speech brain

27:30

1.52. شبکه‌های RNN

20:27

2.52. attention

14:22

3.52. ترنسفورمرها - مقدمه

23:38

4.52. ترنسفورمرها - ادامه و نتایج

15:51

1.53. مقدمه بازنمایی contextual

23:36

2.53. مدل برت

26:46

3.53. نتایج و تحلیل‌ها

16:39

1.54. معرفی پلتفورم Hugging Face و Pipelines

27:47

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

36:31

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

28:25

4.54. آشنایی با کلاس Dataset

21:59

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

31:47

6.54. پیاده سازی پروژه‌ی Sentiment Analysis

44:21

1.55. جلسه پرسش و پاسخ گروه تصویر

57:57

2.55. جلسه پرسش و پاسخ گروه صوت

47:25

1.56. wav2vec2-1

12:49

2.56. wav2vec2-2

11:34

3.56. wav2vec2-3

15:26

1.57. جلسه پرسش و پاسخ گروه صوت

46:58

2.57. جلسه پرسش و پاسخ گروه متن

32:35

3.57. جلسه پرسش و پاسخ گروه تصویر

54:29

4.57. جلسه پرسش و پاسخ گروه صوت

54:51

5.57. جلسه پرسش و پاسخ گروه متن

01:16:10

6.57. جلسه پرسش و پاسخ گروه تصویر

55:27

1.58. راهنمای بارگذاری پروژه در مودل

12:49