کارشناس پردازش گفتار

کلیات حل مساله

ساختار الگوریتم ها

دستورات شرطی

حلقه و تکرار

حل چند مساله

فلوچارت

توضیحات محیط و نصب

عملگرهای ریاضی

عملگرهای شرطی، منطقی و بیتی

ساخت رشته

کنترل نحوه نمایش

لیست ها

توابع کار با لیست

تاپل ها

دیکشنری و مجموعه

ساختار شرطی

حلقه ها

حلقه در ساختارهای داده

رسم اشکال هندسی(حل تمرین)

مثلث خیام پاسکال(حل تمرین)

تابع نویسی

متغیرهای محلی

شی گرایی 1

شی گرایی 2

آرایه های چند بعدی در Numpy

اعمال توابع در Numpy

آمار و احتمالات در Numpy

فکر بکر 1(حل تمرین)

فکر بکر 2(حل تمرین)

دیتافریم در Pandas

گروه بندی داده ها در Pandas

رسم نمودار گرافیکی

رسم نمودارهای آماری

توابع لامبدا و رسم سری ریمان(حل تمرین)

کار با فایل

ویروس و آنتی ویروس

آشنایی با انواع خطا

مدیریت استثنا1

مدیریت استثنا2

استثنا(حل تمرین)

مبانی ریاضیاتی

سیستم‌های خطی

معادله برداری

معادله ماتریسی

جبر ماتریسی

فضاهای برداری

بعد برداری

رتبه ماتریس

نرم‌های برداری و ماتریسی

مقادیر ویژه و بردارهای ویژه

تجزیه‌های ماتریسی

تجزیه مقدار منفرد

تعریف بهینه سازی

توابع بهینه سازی

مشتق مرتبه دوم

الگوریتم‌های بهینه سازی

مبانی آمار و احتمال

متغیرهای تصادفی

توزیع‌های آماری

توزیع‌های گسسته

گشتاورها

دو متغیر تصادفی

ضریب همبستگی

بردارهای تصادفی

تئوری اطلاعات

نئوری اطلاعات 2

سرفصل‌ها

تحلیل الگوریتم مرتب‌سازی درجی

نمادهای توابع رشد الگوریتم‌ها

چگونه یک الگوریتم را تحلیل کنیم؟

نحوه عملکرد الگوریتم‌های بازگشتی

مثال(مرتب‌سازی ادغامی)

برج هانوی و درخت بازگشتی فیبوناتچی

آرایه (Array)

ماتریس خلوت و لیست پیوندی

عملیات رایج روی لیست پیوندی و پشته

تبدیل infix به postfix

صف (Queue)

مفاهیم ساختمان‌ داده درخت‌

پیمایش درخت دودویی

درخت هافمن و Heap

درخت دودویی جستجو

مفاهیم ساختمان‌ داده Hash

روش‌های Hashing

انتخاب تابع مناسب برای پراكندگی

دسته‌بندی الگوریتم‌های مرتب‌سازی

Count Sort & Radix Sort

Insertion Sort & Selection Sort

Bubble Sort & Merge Sort

Quick Sort

Heap Sort

مفاهیم ساختمان‌ داده گراف

روش‌های نمایش گراف

پیمایش گراف

پیمایش عمقی

کاربرد‌های پیمایش عمقی

درخت پوشای کمینه (الگوریتم Kruskal, Prim)

مسئله کوتاهترین مسیر از یک راس (الگوریتم Dijkstra)

كوتاهترین مسیر بین هر دو رأس (الگوریتم Floyd-Warshall)

طبقه بندی مسائل و چند نمونه مسئله

جستجوی کل حالت‌ها (Brute-force-search)

روش تقسیم و غلبه (Divide and Conquer)

مسئله خط آسمان (Skylines)

شمارش تعداد وارونگی‌ها

برنامه‌سازی پویا (Dynamic Programming)

روش حریصانه (Greedy)

مثال از روش حریصانه

معرفی پایگاه داده

شناخت انواع پایگاه داده

محیط‌های توسعه

نحوه نمایش داده

تعاریف

طراحی جداول

نرمال سازی

ERD

ERD 2

ERD 3

تعمیم و تجمیع

محدودیت‌ها

محدودیت‌های کارکردی

SQL

دستورات

مثال

View

Internal Table

Database Managment

توابع

دستورات

دستورات 2

الحاق جداول

به روز رسانی جداول

CTE

CTE 2

Functions

Date Functions

Examples

Stored Procedure

Trigger

View

Wild Card

Window Function

MySQL Window Function

توسعه پایگاه داده

DSDL

DSDL 2

DSDL 3

MySQl

پیاده سازی

ایجاد جدول

کلیدها

عملیات

تعریف توابع

اجرای توابع

اجرای توابع 2

Introduction to Machine Learning

?What is Machine Learning

Learning Types

Introduction to Linear Regression

Gradient Descent

Nonlinear Regression

Bias & Variance

Regularization

Introduction to Sklearn(Programing)

Pre-process 01(Programing)

Pre-process 02(Programing)

Pre-process 03(Programing)

Pre-process 04(Programing)

Pre-process 05(Programing)

Pre-process 06(Programing)

Regression 01(Programing)

Regression 02(Programing)

Regression 03(Programing)

Regression 04(Programing)

KNN

KNN decision boundary

KNN 01(Programing)

KNN 02(Programing)

Evaluation Metrics

Decision Tree

Entropy

ID3 algorithm

C4.5 algorithm

پیاده سازی درخت تصمیم

بررسی معیارهای ارزیابی در درخت تصمیم

بررسی ماتریس درهم ریختگی و نمودار ROC در درخت تصمیم

Multiclass

Bayesian Networks

Inference in Bayesian Networks

Naive Bayes Classifier

Naive Bayes classifier Example

Hidden Markov Model

Gaussian Naive Bayes

Gaussian Naive Bayes Parametric

Naive Bayesian 01(Programing)

Naive Bayesian 02(Programing)

Logistic Regression

Formalism

Roc Curve

Logistic Regression(Programing)

SVM

Svm Example

Kernel Functions

Soft Margin in Svm

SVM(Programing)

Ensemble of Classifiers

Stacking & Bagging

Boosting & Adaboost

Ensemble(Programing)

مقدمه‌ای بر هوش مصنوعی و یادگیری ماشین

تقسیم‌بندی مسائل یادگیری ماشین: یادگیری با‌نظارت و بدون نظارت

مسائل و کاربرد‌های یادگیری بدون نظارت

معیار‌های فاصله و شباهت

انواع روش‌های خوشه‌بندی

خوش‌بندی سلسله مراتبی

الگوریتم K-means

الگوریتم Kernel K-means

الگوریتم DBSCAN

معیار‌های ارزیایی خوشه‌بندی

مقایسه Linkage‌ های مختلف در خوشه‌بندی سلسله مراتبی (Programming)

نحوه استفاده از الگوریتم DBSCAN و ارزیابی آن (Programming)

پیاده‌سازی الگوریتم k-means روی مجموعه داده digits (Programming)

استفاده از الگوریتم k-means برای color quantization (Programming)

مقدمه‌ای بر روش‌های کاهش بعد

روش‌های انتخاب ویژگی

Sequential Forward Selection

Bias-Variance Tradeoff

PCA (part1)

PCA (part2)

PCA using SVD (Matrix Factorizations)

LDA (part1)

LDA (part2)

مقایسه‌ی PCA , LDA (Programming)

تخمین توزیع و تخمین‌گر MLE

توزیع نرمال و تخمین‌گر MLE

توزیع نرمال چند متغیره

الگوریتم EM و توزیع GMM

الگوریتم EM

کاربرد GMM در خوشه‌بندی و تخمین توزیع (Programming)

Autoencoder

برخی از کاربرد‌های Autoencoder (Denoising)

Variational Autoencoder

VAE: Regularized Latent Space

Normalizing Flows

رابطه‌ی تغییر متغیر (Change of Variable Formula)

مدل NICE

مدل RealNVP

مدل Glow

Semi-Supervised و الگوریتم Self-Training

الگوریتم Co-training و Label Propagation

Semi-Supervised Learning and Bias-Variance Tradeoff

Data Augmentation

Transfer Learning

Self-Supervised Learning

BERT and GPT Models

تحلیل احساسات با استفاده از مدل (Programming) BERT

تشخیص ناهنجاری و الگوریتم Isolation Forest

تشخیص ناهنجاری با استفاده از AE و تخمین توزیع

تشخیص ناهنجاری با استفاده از Isolation Forest بر روی کارت‌های اعتباری (Programming)

مقدمه

دستاوردهای هوش مصنوعی 01

دستاوردهای هوش مصنوعی 02

هوش مصنوعی در بازار کار

آینده هوش مصنوعی 01

آینده هوش مصنوعی 02

یادگیری عمیق چیست؟

تاریخچه شبکه‌های عصبی

تفاوت یادگیری عمیق و کلاسیک

فرایند کلی یادگیری عمیق

مقدمه

یادگیری ماشین

انواع روش ‌های یادگیری ماشین

یادگیری تقویتی

چالش‌های یادگیری ماشین 01

چالش‌های یادگیری ماشین 02

چالش‌های یادگیری ماشین 03

شبکه‌های عصبی 01

شبکه‌های عصبی 02

الگوریتم گرادیان کاهشی ۰۱

الگوریتم گرادیان کاهشی 02

پیاده سازی الگوریتم گرادیان کاهشی بر روی شبکه عصبی پرسپترون

الگوریتم پس انتشار خطا

batch & mini-batch & stochastic gradient descent

مثال ساده طبقه بندی

شبکه‌های عصبی MLP

مفهوم کانولوشن

کانولوشن در پردازش تصویر

شبکه‌های عصبی کانولوشنال 01(CNN)

شبکه‌های عصبی کانولوشنال 02(CNN)

لایه Transposed Conv

شبکه AlexNet

شبکه VGG & GoogleNet & ResNet

بهینه‌سازی شبکه‌های عصبی

Dropout

Data Augmentation & Batch Normalization

طراحی شبکه‌های عمیق 01

طراحی شبکه‌های عمیق 02

طراحی شبکه‌های عمیق 03

یادگیری انتقالی(Transfer Learning)

مثال کاربردی

پیاده سازی Transfer Learning

معرفی اتوانکدر‌ها

کاربرد اتوانکدر‌ها

مدل‌های مولد

مدل‌های مولد تخاصمی

انواع مدل‌های GAN

StyleGAN

چالش‌های مدل‌های GAN & مدل‌های مولد متن به تصویر

مدل‌های مولد متن به تصویر

آموزش Google Colab

Deep learning frameworks

Tensorflow

شبکه‌های بازگشتی

شبکه‌های بازگشتی و مکانیزم توجه

مکانیزم توجه

ترانسفورمرها 01

ترانسفورمرها 02

Deep Feed-Forward Coding

Deep Forward Implementation

CNN 01

CNN 02

Training and overfitting

مقدمه

چارچوب‌های اصلی

توابع هزینه

بهینه سازی و تعمیم پذیری

فرآیند تصمیم مارکوف

روش‌های برنامه نویسی پویا

روش مونت کارلو۱

روش مونت کارلو۲

روش یادگیری temporal difference1

روش یادگیری temporal difference2

Q-learning

N-step return

SARSA

تخمین تابع ارزش

شواهد زیستی

بخش۱: توزیع توام دنباله‌ها

بخش۲: گرادیان سیاست

بخش۳:الگوریتم reinforce و تفسیر آن

بخش۴: بایاس و واریانس

مفاهیم اصلی بخش اول

مفاهیم اصلی بخش دوم

روش های پیشرفته بخش اول

روش های پیشرفته بخش دوم

کنترل کلاسیک و برنامه ریزی

روش‌های برنامه ریزی و جستجو

یادگیری مدل محیط

عدم قطعیت

یادگیری سیاست در یادگیری تقویتی مبتنی بر مدل

یادگیری تقلیدی

روش های random shooting, CEM, MCTS

مقدمه و تعریف

انگیزه‌ها و چالش‌ها

مشکل شیفت توزیع و بیش تخمین تابع ارزش

روش‌های مبتنی بر سیاست

روش‌های مبتنی بر تابع ارزش

روش‌های مبتنی بر مدل

یادگیری تقویتی با بازخورد انسانی

مفاهیم اولیه

الگوریتم‌های UCB و نمونه برداری تامپسون

contextual

معرفی OpenAI Gym

پیاده سازی محیط

پیاده سازی جدولی روش Q-learning

پیاده سازی Q-learning

پیاده سازی SARSA و Double Q-learning

پیاده سازی Q-learning با شبکه‌های عصبی1

پیاده سازی Q-learning با شبکه‌های عصبی2

روش گرادیان سیاست - الگوریتم REINFORCE

روش Actor-Critic

روش گرادیان سیاست - الگوریتم REINFORCE

روش مبتنی بر مدل1

روش مبتنی بر مدل2

روش Actor-Critic

روش مبتنی بر مدل3

روش Multi-Armed Bandit

روش Epsilon-Greedy و Softmax

روش‌های UCB و Thompson Sampling

معرفی کلی درس و ارائه ی چند مثال کاربردی

انواع شبکه ها و گراف ها و وظایف بر روی آنها

انواع گراف ها و ساختار داده ای آنها

گراف هایی با حالت های خاص و گراف های متصل

دسته بندی روش های یادگیری ماشین روی گراف ها

شهود روش های تعبیه گرافی و هدف آن

به دست آوردن شباهت با استفاده از قدم زدن تصادفی

الگوریتم node2vec

به دست آوردن تعبیه ها برای یک گراف

بکار گیری الگوریتم nod2vec بر روی یک مجموعه داده با python

خلاصه ای از جلسه قبل و مبانی یادگیری عمیق

یادگیری عمیق برای گراف ها

شبکه های پیچشی گرافی

ریاضیات مدل و فرآیند آموزش

طراحی مدل و قابلیت استنتاج

مقایسه ی شبکه های عصبی گرافی با شبکه های عصبی پیچشی

پیاده سازی شبکه‌های عصبی گرافی پیچشی با pytorch

بررسی یک لایه از GNN

لایه های کلاسیک GNN وساختار GraphSAGE

مکانیسم توجه و شبکه های توجه گرافی

لایه های GNN‌ در عمل

مقدمه ای بر سیستم های توصیه گر

بکار گیری گراف در سیستم های توصیه گر

مدل های مبتنی بر تعبیه برای سیستم های توصیه گر

معرفی روش فیلترینگ مشارکتی گراف عصبی

معرفی روش light GCN

بکارگیری روش lightGCN برای سیستم‌های توصیه‌گر

معرفی روش pinSAGE‌ و کاربرد آن در شبکه pinterest

تولید گراف : شهود و انگیزه ها

مدل های عمیق تولید گراف

تولید نمونه گراف ها به صورت دنباله ای

شرح شبکه های عصبی بازگشتی گرافی

آموزش مدل graph BNN

ارزیابی گراف های تولیدی

کاربرد مدل های تولید گراف عمیق

معرفی و تاریخچه بازشناسی گفتار

معرفی سیگنال دیجیتال، تبدیل فوریه و اسپکتروگرام

استخراج ویژگی و واج‌شناسی

مدل مخفی مارکوف گسسته

مدل مخفی مارکوف پیوسته، مدل زبانی، مقدمه شبکه‌های عصبی

استراتژی‌های آموزش

بازشناسی گفتار، مدل کانال نویزی، ارزیابی و دادگان‌ها

مدل‌سازی مستقل از بافت و مقدمه مدل‌سازی وابسته به بافت

مدل‌سازی وابسته به بافت و کاهش تعداد حالات

Signal processing1

Signal processing2

Signal processing3

Signal processing4

Signal processing5

Signal processing6

Signal processing7

Signal processing8

Signal processing9

الگوریتم کدگشایی ویتربی، بازشناسی کلمات مجزا

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

مقدمه بازشناسی گفتار به صورت e2e، معرفی تابع هزینه CTC

تابع هزینه CTC و برنامه‌نویسی پویا در آن

مثالی از CTC، معرفی شبکه Deep Speech برای بازشناسی گفتار

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

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

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

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

تابع خطای CTC

مدل زبانی

توکنایزر

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

آشنایی مقدماتی با ترنسفورمرها

ادامه مبحث ترنسفورمرها

آشنایی مقدماتی با مدل برت BERT

مدل‌ها و یادگیری Contrastive، معرفی مدل Wav2vec

مدل VQ-Wav2vec، مدل Wav2vec 2.0

Intro-transformer 1

Intro-transformer 2

Intro-transformer 3

Intro-transformer 4

speech brain

wav2vec2-1

wav2vec2-2

wav2vec2-3

Review of DSP

Review of Probability 1

Review of Probability 2

Review of Probability 3

Review of DSP (Programming Video)

Phonetics and Phonemics

Speech Recognition Principles

Phonetics and Phonemics-Speech Recognition (Programming Video)

Filter Banks

LPC

Filter Banks & LPC (Programming Video 1)

Filter Banks & LPC (Programming Video 2)

Speech Preprocessing

Speech Preprocessing (Programming Video)

Workshop 1

Pattern Comparison1

Pattern Comparison2

Pattern Comparison3

Pattern Comparison (Programming Video)

DTW 1

DTW 2

DTW 3

HMM 3

HMM 1

HMM 2

DTW & HMM (Programming Video)

LVCSR1

LVCSR2

LVCSR3

LVCSR4

LVCSR5

LVCSR6

Workshop2

Search Strategies1

Search Strategies2

Search Strategies3

Search Strategies4

Search Strategies5

SR Search (Programming Video)

Deep network for speech recognition 1

Deep network for speech recognition 2

Deep network for speech recognition 3

Deep network for speech recognition 4

DNN-Based ASR (Programming Video)

Quality Assessment1

Quality Assessment2

Quality Assessment3

Quality Assessment (Programming Video)

TTS 1

TTS2

TTS3

TTS4

TTS 5

TTS (Programming Video)

DNN based TTS 1

DNN based TTS 2

DNN based TTS (Programming Video)

معرفی متدولوژی های توسعه نرم افزار

چرخه عمر DevOps

طریقه پیاده سازی Gitflow

نصب و راه‌اندازی گیت‌لب

پایپ‌لاین CI/CD

راه‌اندازی گیت‌لب رانر

سامانه ارزیابی کیفیت کد(سونار‌کیوب)

داکر

مدیریت خط تولید

مثال عملی

ارزیابی کیفیت کد پروژه یادگیری ماشین در پایپ لاین 01

ارزیابی کیفیت کد پروژه یادگیری ماشین در پایپ لاین 02

Introduction

ML Project Life Cycle

ML life Cycle: Case Study

Deployment

Common Deployment Patterns

Monitoring

Pipeline Monitoring

Modeling

Low Average Test Error isn't Good Enough

Establish a Baseline

Performance Auditing

Data-centric AI

Data Definition

Label Consistency

HLP

Data Pipeline

Scoping

Data Lifecycle

Data

Responsible Data

Labelling

Data Issues

Feature Engineering

Preprocessing in Production

TF Transform

Feature Selection Example

ML Metadata

Evolving Data

Advanced Labeling

Neural Architecture Search

Auto ML

Resource Management

Quantization and Pruning

High Performance Modeling

Model analysis

Robustness

Remediation and Monitoring

Interpretability

Model Serving

Serving Systems

Serving Patterns

Online and Batch Inference

Experiment Tracking

Mlops level 0, 1 and 2

CI/CD

Monitoring and Privacy

FastAPI and a Simple Deep Model

TensorFlow Data Validation

Preprocess Data with TensorFlow Transform

Simple TFX Pipeline

Recursive Feature Elimination

Active Learning

Keras Tuner

Post-Training Quantization

Quantization Aware Training

Pruning

Distributed Training: One Device Strategy

Knowledge Distillation

شرح پروژه