Programação
-
Caros alunos,
As aulas da disciplina ocorrerão às terças-feiras das 17h00 às 20h00.
Para acessar o link do Google Meet.
-
Link para as aulas URL
-
-
-
Conceito Tarefa
-
-
A duração das apresentações é de 10 minutos com 5 minutos de perguntas. A apresentação deve ser feita em slides. Adicionalmente, se quiser, apresente códigos, scripts ou demonstre seus resultados.14 de Setembro, 2021 - Lista de Alunos (em construção)Andre Lucas de Oliveira Duarte
João Pedro de Omena Simas
Caique Bueno Passolongo
Guilherme Apolinario Silva Novaes
Alessandra Carolina Botto
Andre Luis Ferreira Marques
Bruno Elton da Luz
Gabriel Durante
Gabriel de Souza Lima
Vinicius da Silva BorgesRodrigo Anjos de SouzaLucas Giannella de Oliveira Apresentação
21 de Setembro, 2021 - Lista de Alunos (em construção)Felipe Meneguitti Dias
João Pedro de Omena Simas
Mauro Chiozzotto
Tiago Gaspar da Rosa
Bruno Elton da Luz
Adriano Tito da Silva
Marcelo Monari Baccaro
Thiago Yuji Aoyagi
Andre Amaro Bueno
Fernando dos Santos Gil
Pedro Henrique Pereira
Fabiano Valente NunesYuri PerimNilo Henrique Garcia Behaker -
Caros alunos,
Segue calendário preliminar da disciplina. O calendário será atualizado semanalmente, com detalhamento do planejamento das aulas. Desta forma, é importante que os alunos acessem continuamente a plataforma.
Datas importantes
24/08: Avaliação14/09 e 21/09: Apresentações Finais.-
Ementa Final - 11/08/2021 Arquivo
-
-
-
Vídeo - Instruções para o Projeto Final URL
-
Projeto Final e Questões de Pesquisa Arquivo
-
-
Caros alunos,
A proposta de projeto consiste em um documento de 1 ou 2 páginas que descreve o tema de pesquisa, os principais objetivos, os materiais e métodos, os resultados esperados e as referências encontradas.Utilizem o modelo fornecido pelo International Conference on Acoustics, Speech, & Signal Processing (ICASSP) 2021 tanto para a proposta de projeto como para o artigo final.Modelos em Latex e Word podem ser baixados em https://2021.ieeeicassp.org/Papers/PaperKit.asp.
Prazo para entrega da proposta: 13/07/2021 (23h59)
Atenciosamente,-
Template - ICASSP 2021 - Word Arquivo
-
Template - ICASSP 2021 - Latex Arquivo
-
-
Caros alunos,
O relatório final deve ser organizado na forma de artigo de pesquisa. Ele poderá ser feito de preferencia em Inglês, mas também aceitaremos artigos em Português.
Utilizem o modelo fornecido pelo International Conference on Acoustics, Speech, & Signal Processing (ICASSP) 2021 tanto para a proposta de projeto como para o artigo final.
Modelos em Latex e Word podem ser baixados em https://2021.ieeeicassp.org/Papers/PaperKit.asp.
Por favor, façam upload de todos os arquivos, referentes à apresentação, notebooks, códigos fonte, entre outros.Prazo para entrega:
05/09/202114/09/2021 (23h59)
Atenciosamente, -
-
Lista de Exercício 1 Arquivo
-
Entrega da Lista de Exercícios 1 Tarefa
-
-
Fiquem atentos para a data de entrega: 22/08/2021.
-
Lista de Exercícios 2 Arquivo
-
-
-
1ª Aula - Vídeo URL
-
Apresentação da Disciplina Arquivo
-
Processamento e Aprendizagem de Voz - Representações e Modelos Arquivo
-
-
-
2ª Aula - Vídeo URL
-
Aula 2 - Slides Arquivo
-
-
-
3ª Aula - Vídeo URL
-
Python/Librosa - Jupyter Notebook - PDF Arquivo
-
DFT - Jupyter Notebook - PDF Arquivo
-
STFT - Análise - Jupyter Notebook - PDF Arquivo
-
STFT - Análise/Síntese - Jupyter Notebook - PDF Arquivo
-
Arquivos Python - Librosa - DFT - STFT
-
-
-
4ª Aula - Vídeo URL
-
Speech - Slides Arquivo
-
Auditory Perception - Slides Arquivo
-
-
Aula 5 - MFCC, Método da Máxima Verossimilhança e Divergência de Kullback-Leibler ou Entropia Relativa
-
5ª Aula - Vídeo URL
-
Arquivos Python - MFCC
-
MFCC - Jupyter Notebook - PDF Arquivo
-
-
-
6ª Aula - Vídeo URL
-
Método da máxima verossimilhança e Divergência de Kullback-Leibler com Desigualdade de Jensen Arquivo
-
Redes Neurais: Gradientes e Retropropagação Arquivo
-
-
-
7ª Aula - Vídeo URL
-
Machine_Learning Arquivo
-
Pytorch Arquivo
-
-
-
8ª Aula - Vídeo URL
-
Redes Neurais Recorrentes: Estados, Gradientes e Retropropagação através do Tempo (RNN: BPTT) Arquivo
-
Pytorch_AutoGrad_GPU Arquivo
-
Pytorch_MLP_UniversalFunctionAproximator Arquivo
-
-
-
9ª Aula - Vídeo URL
-
MFCC_MLP_Pytorch Arquivo
-
MiniBatch Arquivo
-
Aprendizagem de sequências Arquivo
-
-
-
10ª Aula - Vídeo URL
-
CNN_Audio_Application Arquivo
-
Notebook - CNN Arquivo
-
Notebook - K-Means Arquivo
-
Modelos de misturas de gaussianas (GMMs) Arquivo
-
-
-
Avaliação Arquivo
-
-
Vídeo 12ª Aula - Apresentações URL
-
-
-
Vídeo 13ª Aula - Apresentações URL
-