دوره آموزشی اصول هوش مصنوعی چندرسانه‌ای: ترکیب متن، تصویر و صدا برای برنامه‌های نسل بعدی هوش مصنوعی

تو این دوره یاد می‌گیری چطوری با ترکیب چند نوع داده مثل متن، صدا، تصویر و ویدیو، سیستم‌های هوش مصنوعی رو بسازی که توانایی‌های خیلی خاص و پیشرفته‌ای داشته باشن. این دوره بهت فرصت می‌ده که خودت به صورت عملی مدل‌هایی بسازی مثل سیستم‌های پرسش و پاسخ تصویری (Visual Question Answering)، تولید تصاویر شخصی‌سازی شده با روش انتشار (Diffusion)، طراحی برنامه‌های چندرسانه‌ای کامل و حتی تنظیم دقیق مدل‌های چندرسانه‌ای برای کارهای خاص.

با این آموزش، ابزارها، دانش و اعتماد به نفس لازم رو به دست میاری تا سیستم‌های هوش مصنوعی چندرسانه‌ای مدرن رو از صفر طراحی و اجرا کنی و قابلیت‌های فوق‌العاده‌ای به پروژه‌هات اضافه کنی.

اهداف یادگیری:
با مفاهیم هوش مصنوعی چندرسانه‌ای آشنا بشی و بتونی اون‌ها رو به کار ببری
برنامه‌های تبدیل صدا به صدا (Voice-to-Voice) بسازی
با معماری و مفاهیم سیستم‌های پرسش و پاسخ تصویری (VQA) آشنا بشی
مدل‌های انتشار (Diffusion) رو با استفاده از DreamBooth بسازی، تنظیم کنی و ارزیابی کنی
مدل‌های تبدیل متن به گفتار (Text-to-Speech) رو با SpeechT5 دقیق‌تر کنی
عامل‌های تصویری (Visual Agents) از پایه طراحی کنی
عملکرد مدل‌های چندرسانه‌ای رو ارزیابی کنی
سیستم‌های چندرسانه‌ای رو با تکنیک‌های پیشرفته مثل کاربرد کامپیوتر گسترش بدی