کتاب صوتی مقدمه‌ای بر محاسبات در پردازش سیگنال در یادگیری عمیق

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره مقدمه‌ای بر محاسبات در پردازش سیگنال در یادگیری عمیق

موضوع کلی: برنامه نویسی

موضوع میانی: محاسبات سطح بالا (High-Performance Computing)

📋 سرفصل‌های دوره

• 1. مبانی ریاضی در پردازش سیگنال
• 2. آشنایی با سیگنال‌های گسسته و پیوسته
• 3. تبدیل فوریه گسسته (DFT)
• 4. خواص تبدیل فوریه گسسته
• 5. کاربرد DFT در تحلیل سیگنال
• 6. تبدیل فوریه سریع (FFT)
• 7. الگوریتم‌های FFT
• 8. کاربرد FFT در فشرده‌سازی سیگنال
• 9. فیلترهای دیجیتال: مفاهیم پایه
• 10. طراحی فیلترهای FIR
• 11. طراحی فیلترهای IIR
• 12. مقایسه فیلترهای FIR و IIR
• 13. فشرده‌سازی سیگنال با استفاده از فیلترها
• 14. مقدمه‌ای بر یادگیری عمیق
• 15. شبکه‌های عصبی مصنوعی
• 16. توابع فعال‌سازی در شبکه‌های عصبی
• 17. پس‌انتشار خطا (Backpropagation)
• 18. شبکه‌های عصبی کانولوشنال (CNN)
• 19. لایه کانولوشن در CNN
• 20. لایه پولینگ در CNN
• 21. کاربرد CNN در پردازش تصویر
• 22. شبکه‌های عصبی بازگشتی (RNN)
• 23. حافظه طولانی کوتاه مدت (LSTM)
• 24. شبکه‌های عصبی ترانسفورمر (Transformer)
• 25. کاربرد ترانسفورمر در پردازش زبان طبیعی
• 26. مقدمه‌ای بر پردازش سیگنال در یادگیری عمیق
• 27. اتصال یادگیری عمیق و پردازش سیگنال
• 28. استخراج ویژگی از سیگنال با یادگیری عمیق
• 29. یادگیری عمیق برای تشخیص الگو در سیگنال
• 30. کاربرد یادگیری عمیق در طبقه‌بندی سیگنال
• 31. کاربرد یادگیری عمیق در پیش‌بینی سیگنال
• 32. بهینه‌سازی مدل‌های یادگیری عمیق برای سیگنال
• 33. تنظیم ابرپارامترها در مدل‌های یادگیری عمیق
• 34. روش‌های منظم‌سازی در یادگیری عمیق
• 35. یادگیری انتقالی (Transfer Learning) در پردازش سیگنال
• 36. خودرمزگذارها (Autoencoders) در پردازش سیگنال
• 37. کاهش ابعاد با خودرمزگذارها
• 38. کاربرد خودرمزگذارها در تشخیص ناهنجاری سیگنال
• 39. مدل‌های مولد در پردازش سیگنال
• 40. شبکه‌های مولد تخاصمی (GANs)
• 41. کاربرد GANs در تولید سیگنال
• 42. پردازش سیگنال‌های صوتی با یادگیری عمیق
• 43. شناخت گفتار با یادگیری عمیق
• 44. پردازش سیگنال‌های صوتی در موسیقی
• 45. پردازش سیگنال‌های پزشکی با یادگیری عمیق
• 46. کاربرد یادگیری عمیق در تحلیل ECG
• 47. کاربرد یادگیری عمیق در تحلیل EEG
• 48. پردازش سیگنال‌های لرزه‌ای با یادگیری عمیق
• 49. کاربرد یادگیری عمیق در پیش‌بینی زلزله
• 50. پردازش سیگنال‌های مالی با یادگیری عمیق
• 51. پیش‌بینی روند بازار سهام
• 52. تحلیل احساسات در داده‌های مالی
• 53. پردازش سیگنال‌های مخابراتی با یادگیری عمیق
• 54. تشخیص و تصحیح خطا در مخابرات
• 55. فشرده‌سازی و کدگذاری سیگنال
• 56. مدل‌سازی کانال مخابراتی
• 57. پردازش سیگنال‌های رادار و سنسور
• 58. تشخیص اهداف در داده‌های راداری
• 59. تحلیل داده‌های سنسورهای محیطی
• 60. مقدمه‌ای بر یادگیری ماشین در پردازش سیگنال
• 61. ماشین‌های بردار پشتیبان (SVM)
• 62. درختان تصمیم و جنگل‌های تصادفی
• 63. یادگیری جمعی (Ensemble Learning)
• 64. پردازش سیگنال در رباتیک
• 65. بینایی ماشین و پردازش تصویر ربات
• 66. کنترل حرکتی ربات‌ها
• 67. پردازش سیگنال در سیستم‌های توزیع‌شده
• 68. همگام‌سازی در سیستم‌های توزیع‌شده
• 69. کاربرد یادگیری عمیق در اینترنت اشیاء (IoT)
• 70. پردازش سیگنال در دستگاه‌های پوشیدنی
• 71. تحلیل داده‌های سلامت پوشیدنی
• 72. مقدمه‌ای بر داده‌کاوی در پردازش سیگنال
• 73. الگوریتم‌های خوشه‌بندی در سیگنال‌ها
• 74. قوانین وابستگی در داده‌های سیگنال
• 75. تجسم داده‌های سیگنال
• 76. مقدمه‌ای بر یادگیری تقویتی در پردازش سیگنال
• 77. عوامل و محیط در یادگیری تقویتی
• 78. الگوریتم‌های یادگیری تقویتی
• 79. کاربرد یادگیری تقویتی در کنترل سیستم‌ها
• 80. بهینه‌سازی منابع با یادگیری عمیق
• 81. مدیریت انرژی در سیستم‌ها
• 82. تخصیص منابع در شبکه‌ها
• 83. مقدمه‌ای بر اخلاق در هوش مصنوعی و پردازش سیگنال
• 84. سوگیری در داده‌ها و مدل‌ها
• 85. شفافیت و تفسیرپذیری مدل‌های یادگیری عمیق
• 86. امنیت و حریم خصوصی در پردازش سیگنال
• 87. کاربرد یادگیری عمیق در شبیه‌سازی‌های علمی
• 88. مدل‌سازی پدیده‌های فیزیکی
• 89. شبیه‌سازی سیستم‌های پیچیده
• 90. مقدمه‌ای بر آینده پردازش سیگنال با یادگیری عمیق
• 91. روندهای تحقیقاتی جدید
• 92. چالش‌های پیش رو
• 93. نقش مهندسی سیگنال در عصر هوش مصنوعی