Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Kursplan
Grunder för ljudklassificering
- Typer av ljudhändelser: miljömässig, mekanisk, mänskligt genererad
- Översikt över användningsområden: övervakning, övervakning, automatisering
- Ljudklassificering jämfört med detektion jämfört med segmentering
Ljuddata och funktionsutvinning
- Typer av ljudfiler och format
- Samplingsfrekvens, fönstering, överväganden av ramstorlek
- Utvinning av MFCCs, kromafunktioner, mel-spektrogram
Förberedelse och annotering av data
- UrbanSound8K, ESC-50 och anpassade datamängder
- Markering av ljudhändelser och tidsgränser
- Balansering av datamängder och ljudförstärkning
Byggande av ljudklassificeringsmodeller
- Användning av konvolutiva neurala nätverk (CNNs) för ljud
- Modellinmatning: rå vågform jämfört med funktioner
- Förlustfunktioner, utvärderingsmått och överanpassning
Händelsedetektion och tidslokalisering
- Rambaserad och segmentbaserad detektionsstrategi
- Efterbearbetning av detektioner med trösklar och släthandling
- Visualisering av förutsägelser på ljudtidslinjer
Avancerade ämnen och realtidsbehandling
- Överföring av inlärning för lågdatascenarier
- Distribuering av modeller med TensorFlow Lite eller ONNX
- Strömmande ljudbehandling och latensöverväganden
Projektutveckling och applikationsscenarier
- Design av en fullständig pipeline: inmatning till klassificering
- Utveckling av en bevis-för-koncept för övervakning, kvalitetskontroll eller övervakning
- Loggning, meddelande och integration med dashboards eller API:er
Sammanfattning och nästa steg
Krav
- Förståelse för maskininlärningskoncept och modellträning
- Erfarenhet av Python programmering och databearbetning
- Kännedom om grunderna i digitalt ljud
Målgrupp
- Data scientists
- Maskininlärningsingenjörer
- Forskare och utvecklare inom ljudsignalbehandling
21 timmar