متخصص پردازش گفتار

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)

مقدمه و آشنایی اولیه یا Mlflow

آشنایی با اجزای MLflow

نصب اولیه MLflow

بررسی رقبای MLflow

تعریف مساله و ساخت مدل‌های اولیه

نحوه مدیریت داده‌های نامتوازن (imbalanced)

ساخت Experiment در MLflow

Experiment Tracking مدل‌ها با MLflow

Model Registry در MLflow

Load Model در MLflow

طریقه نصب Mlflow بر روی سرور با استفاده از داکر

تحلیل اولیه دیتاست و شروع کار با MLFlow

آموزش مدل‌ها و ایجاد ساختار درست پروژه

ساختاردهی پروژه جهت مدیریت در MLFlow

پیکربندی داکر و استفاده در MLFlow

نمایش کل خروجی ها و تحلیل در MLFlow

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

مقدمه، مشاهده یک پرامپت، مبانی

مبانی و مفاهیم پرامپت‌نویسی

اصول و قواعد پرامپت‌نویسی

مدل‌ها و ابزارهای پرامپت‌نویسی

بررسی تغییر متغیرهای پرامپت‌نویسی و اثر آن‌ها

تمرین نکات اموزشی فصل اول و اجزای پرامپت

پیاده‌سازی یک ایجنت هوش مصنوعی ساده و مرور پرامپت‌های پیشرفته

یادگیری مدل‌های مختلف، ابزارها و بهینه‌سازی پرامپت

روش‌های پیشرفته پرامپت‌نویسی بخش اول

روش‌های پیشرفته پرامپت‌نویسی بخش دوم

پیاده‌سازی دستیار آموزشی

تست دستیار اموزشی و بهبود کیفیت آن

ساخت دستیار آموزشی مالتی ایجنت

روش‌های کاربردی پرامپت‌نویسی بخش اول

روش‌های کاربردی پرامپت‌نویسی بخش دوم

روش‌های کاربردی پرامپت‌نویسی بخش سوم

روش‌های کاربردی پرامپت‌نویسی بخش چهارم

مرور کدهای روش DSP

مرور کد active prompt بخش اول

مرور کد active prompt بخش دوم

مرور کد Tree of Thoughts

مرور کد Automatic reasoning and Tool-use بخش اول

مرور کد Automatic reasoning and Tool-use بخش دوم

مرور کد Program-aided language

مرور کد React

مرور کد Chain of Table

مرور کد Automatic Prompt Engineering

مرور کد Least-to-Most

مرور کد RAG بخش اول

پیاده سازی RAG ساده و بررسی ساختار آن 1

پیاده سازی RAG ساده و بررسی ساختار آن 2

مرور کد RAG بخش دوم

مرور مشکلات prompt نویسی

بررسی کد Text2SQL

آموزش Chainlit و پیاده سازی یک چت بات کامل

شرح پروژه