دوره
یاد بگیرید چطور گفتار رو از فایل‌های صوتی خام در پایتون بارگذاری کنید، تغییر بدید و رونویسی کنید.
ما خیلی قبل‌تر از اینکه خوندن رو یاد بگیریم، صحبت کردن رو یاد می‌گیریم. حتی در عصر دیجیتال هم، گفتار یکی از اصلی‌ترین روش‌های ارتباط ماست. در دوره پردازش زبان گفتاری در پایتون یاد می‌گیرید چطور فایل‌های صوتی رو بارگذاری کنید، تغییر بدید و رونویسی کنید. در ابتدا می‌بینید صدای خام در پایتون چه شکلیه و در پایان، با کار روی یک کاربرد واقعی تجاری، داده‌های تماس تلفنی رو رونویسی و طبقه‌بندی می‌کنید.
فایل‌های صوتی با بیشتر انواع داده‌ها تفاوت دارن و قبل از اینکه بتونید باهاشون کار کنید، به مقداری پیش‌پردازش نیاز دارن. در این بخش، اولین قدم‌های کار با فایل‌های گفتاری رو یاد می‌گیرید؛ دو فایل صوتی مختلف رو به موج‌های صوتی تبدیل می‌کنید و اون‌ها رو به‌صورت بصری با هم مقایسه می‌کنید.
تشخیص گفتار هنوز بی‌نقص نیست، اما کتابخانه SpeechRecognition راه ساده‌ای برای کار با چندین API تبدیل گفتار به متن در اختیارتون می‌ذاره. در این بخش، یاد می‌گیرید چطور با استفاده از SpeechRecognition، گفتار موجود در فایل‌های صوتی رو به‌راحتی به متن تبدیل کنید.
همه فایل‌های صوتی شکل، اندازه یا فرمت یکسانی ندارن. خوشبختانه، کتابخانه PyDub ابزارهایی در اختیارتون می‌ذاره که باهاشون می‌تونید ویژگی‌های مختلف فایل‌های صوتی مثل نرخ فریم، تعداد کانال‌ها، فرمت فایل و موارد دیگه رو به‌صورت برنامه‌نویسی تغییر بدید. در این بخش، یاد می‌گیرید چطور با استفاده از PyDub، فایل‌های صوتی رو به شکل مناسبی برای رونویسی آماده کنید.
در این بخش، همه چیزهایی رو که یاد گرفتید کنار هم می‌ذارید و یک پروژه اثبات مفهوم برای پردازش گفتار در شرکت فناوری فرضی «اکمی استودیوز» می‌سازید. ابتدا بخش‌هایی از تماس‌های پشتیبانی مشتریان رو از صوت به متن رونویسی می‌کنید. بعد روی متن‌های رونویسی‌شده، با NLTK تحلیل احساسات، با SpaCy تشخیص موجودیت نام‌دار و با Scikit-learn طبقه‌بندی متن انجام می‌دید.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
ما خیلی قبل‌تر از اینکه خوندن رو یاد بگیریم، صحبت کردن رو یاد می‌گیریم. حتی در عصر دیجیتال هم، گفتار یکی از اصلی‌ترین روش‌های ارتباط ماست. در دوره پردازش زبان گفتاری در پایتون یاد می‌گیرید چطور فایل‌های صوتی رو بارگذاری کنید، تغییر بدید و رونویسی کنید. در ابتدا می‌بینید صدای خام در پایتون چه شکلیه و در پایان، با کار روی یک کاربرد واقعی تجاری، داده‌های تماس تلفنی رو رونویسی و طبقه‌بندی می‌کنید.
فایل‌های صوتی با بیشتر انواع داده‌ها تفاوت دارن و قبل از اینکه بتونید باهاشون کار کنید، به مقداری پیش‌پردازش نیاز دارن. در این بخش، اولین قدم‌های کار با فایل‌های گفتاری رو یاد می‌گیرید؛ دو فایل صوتی مختلف رو به موج‌های صوتی تبدیل می‌کنید و اون‌ها رو به‌صورت بصری با هم مقایسه می‌کنید.
تشخیص گفتار هنوز بی‌نقص نیست، اما کتابخانه SpeechRecognition راه ساده‌ای برای کار با چندین API تبدیل گفتار به متن در اختیارتون می‌ذاره. در این بخش، یاد می‌گیرید چطور با استفاده از SpeechRecognition، گفتار موجود در فایل‌های صوتی رو به‌راحتی به متن تبدیل کنید.
همه فایل‌های صوتی شکل، اندازه یا فرمت یکسانی ندارن. خوشبختانه، کتابخانه PyDub ابزارهایی در اختیارتون می‌ذاره که باهاشون می‌تونید ویژگی‌های مختلف فایل‌های صوتی مثل نرخ فریم، تعداد کانال‌ها، فرمت فایل و موارد دیگه رو به‌صورت برنامه‌نویسی تغییر بدید. در این بخش، یاد می‌گیرید چطور با استفاده از PyDub، فایل‌های صوتی رو به شکل مناسبی برای رونویسی آماده کنید.
در این بخش، همه چیزهایی رو که یاد گرفتید کنار هم می‌ذارید و یک پروژه اثبات مفهوم برای پردازش گفتار در شرکت فناوری فرضی «اکمی استودیوز» می‌سازید. ابتدا بخش‌هایی از تماس‌های پشتیبانی مشتریان رو از صوت به متن رونویسی می‌کنید. بعد روی متن‌های رونویسی‌شده، با NLTK تحلیل احساسات، با SpaCy تشخیص موجودیت نام‌دار و با Scikit-learn طبقه‌بندی متن انجام می‌دید.
با تکمیل این دوره، شما یک گواهی معتبر دریافت می‌کنید که بیانگر کسب مهارت‌های لازم مرتبط با این دوره آموزشی است.
هر مدرک دارای شناسه یکتا و لینک اعتبارسنجی است که امکان بررسی و تأیید اصالت آن را فراهم می‌کند.
می‌توانید گواهی‌های خود را به‌راحتی در شبکه‌های حرفه‌ای مانند لینکدین با دیگران به اشتراک بگذارید.
با اپلیکیشن فینکا، به بیشتر دوره‌ها و مسیرها روی موبایل دسترسی دارید، تمرین می‌کنید و یادگیری رو هم‌زمان روی موبایل و دسکتاپ ادامه می‌دید.