Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Plan du cours
Fondements de la classification audio
- Types d'événements sonores : environnementaux, mécaniques, générés par les humains.
- Aperçu des cas d'utilisation : surveillance, monitoring, automatisation.
- Classification audio vs détection vs segmentation.
Données audio et extraction de caractéristiques
- Types de fichiers audio et formats.
- Taux d'échantillonnage, fenêtrage, considérations sur la taille des trames.
- Extraction des MFCC, des caractéristiques chromatiques (chroma) et des mélo-spectrogrammes.
Préparation des données et annotation
- UrbanSound8K, ESC-50 et ensembles de données personnalisés.
- Étiquetage des événements sonores et des frontières temporelles.
- Équilibrage des ensembles de données et augmentation des données audio.
Construction de modèles de classification audio
- Utilisation des réseaux de neurones convolutionnels (CNN) pour l'audio.
- Entrée du modèle : onde brute vs caractéristiques.
- Fonctions de perte, métriques d'évaluation et surapprentissage.
Détection d'événements et localisation temporelle
- Stratégies de détection par trame et par segment.
- Post-traitement des détections à l'aide de seuils et de lissage.
- Visualisation des prédictions sur les chronologies audio.
Sujets avancés et traitement en temps réel
- Apprentissage par transfert pour les scénarios à faibles données.
- Déploiement de modèles avec TensorFlow Lite ou ONNX.
- Traitement du flux audio et considérations sur la latence.
Développement de projets et scénarios d'application
- Conception d'un pipeline complet : de l'ingestion à la classification.
- Développement d'un proof-of-concept pour la surveillance, le contrôle qualité ou le monitoring.
- Journalisation, alertes et intégration avec des tableaux de bord ou des API.
Résumé et prochaines étapes
Pré requis
- Une compréhension des concepts de l'apprentissage automatique et de l'entraînement des modèles.
- De l'expérience en programmation Python et en prétraitement des données.
- Une familiarité avec les fondamentaux de l'audio numérique.
Audience
- Scientifiques des données.
- Ingénieurs en apprentissage automatique.
- Chercheurs et développeurs en traitement du signal audio.
21 Heures
