پردازش زبان طبیعی (NLP)

صفحه 1:
پردازش زبان طبیعی (۱۱۲۴) باز شناسی خودکا کرو لیر باز شناسى خودكار 

صفحه 2:
پردازش زبان طبیعی چیست ؟ * استفاده از رایانه به منظور پردازش زبان گفتاری و نوشتاری و به طور دقیق تر ماشینی کردن فرایند درک و برداشت مفاهیم بیان شده توسط یک زبان طبیعی انسانی هدف اصلی پردازش زبان طبیعی * ایجاد تلوري‌هاي محاسباتي از زبان, با استفاده از الگوریتم‌ها و ل ساختارهاي داده‌اي موجود در علوم رایانه‌ای 1 

صفحه 3:
زمینه های کاری ‎NLP‏ * (۸۵5۲) وهتازجومع »5۵66 ۸۵۳0۵1 بازشناسی خودکار گفتار * (۲۲5) ۲6-۲0-5666 تبدیلمتزبه گفتار ‎de>} 5 Machine Translation (MT) *‏ ماشينى ‎| (ls jLL Optical Character Recognition (OCR) * \ ‏كاراكتر طئنورى‎ 

صفحه 4:
, بازشناسی ‎h Rec ecogiition‏ نیج ‎Automatic‏ ‎(ASR)‏ * زبان معمولترین رسانه ارتباطي و ابزار بازنمايي جهان در ذهن انسان * گفتار ساده ترین و رایج ترین ابزار ارتباطي انسانها * اولین دستاورد بازشناسی گفتار: راحت‌تر کردن ارتباطات بین انسان و ماشین‌ها 1 * دسترسي به تكنولوژي همواره منجر به برتري مي‌گردد. * برتري ‎Sly‏ تكنولوژي بازشناسي گفتار مي‌تواند 1 ابعاد مختلف فرهنگي, لقب ۱ ۲ ع اجتماعي, اقتصادي, نظامي-سياسي و علمي باشد 

صفحه 5:
چرا سیستم های باز شناسی خودکار گفتار مهم هستند ؟ اهمیت فرهنگي * کمک به زبان و صیانت از بزرگترین میراث فرهنگي ملت بویژه در محیط رایانه و * استفاده بیشتر از زبان و زنده نگه داشتن آن * فراهم کردن بستر ایجاد تعامل بیشتر با زبان و کمک به ابعاد توريستي, سياسي , تجاري ۱ ~ * راحت‌تر کردن ارتباط افراد با زبانهاي مختلف با زبان مورد نظر (مترجم گفتار به ‎SI‏ گفتار) 

صفحه 6:
چرا سیستم های باز شناسی خودکار گفتار مهم هستند ؟ اهمیت اجتماعي اهمیت اقتصادي 9 تجاري: ۰ ایجاد آسایش و سادگي بیشتر, ۰ قابل استفاده در همه کاربردهايي که نیاز * بالا بردن کیفیت ارائه خدمات به ارتباط انسان و ماشین وجود دارد ۰ راحتي و سادگي بیشتر, تسریع در انجام * افزایش سرعت پاسخگويي کار ا كسب رضبايت مشتزيان * خستگي‌ناپذیر بودن و دسترسي 24 ساعته ‏ 2 ا * عملي كردن برخي ارتباطات غير عملي 

صفحه 7:
ee IVR ‏بر گفتار سیستم‎ Se IVR ‏سیستم‎ (SUES Say Bees] 180١ aE ‏اکنادی]‎ Cosa ‏تصایق‎ | LBA مثال: سیستم ۴ ۱۷ ‎se‏ ‏مبتنی بر گفتار و سیستم ‎IVR‏ 3 ی ‎ys‏ سس 

صفحه 8:
سیستم های تشخیص گفتار چگونه عمل می کنند ؟ رویکرد مبتنی برتشخیص الگو داراي دو فاز آموزش 1۳210) ) و آزمون ‎(Test‏ ( ۰ آموزش الگوهاي مربوط به هرکلاس (واحدهاي آوايي مانند کلمه, واج و ...)با استفاده از روش‌هايي مدل‌سازي مي‌شوند. * آزمون مقایسه گفتار ورودي با الگوهاي آموزش داده شده جهت تشخیص \ واجدهاي آوايي موجود درگفتار ورودی 

صفحه 9:
دیاگرام کلی سیستم باز شناسی خودکار گفتار با رویکرد تشخیص الگو ۸ ‎nn‏ حل ‏| سس | 35 ‎a AAMAS | Soe ‏آموزش‎ 1 SS ‎ ‎ ‎ ‎ ‎ ‎ ‎ ‎ 

صفحه 10:
اجزای سیستم های بازشناسی خودکار گفتار 9 استخراج ویژگی هدف : كاهش حجم محاسبات و حذف افزونكىهاى موجود در سيكنال گفتار با استخراج تعداد محدودی پارامتر از آن 0 بازشناسی گفتار مستقل از گوینده : بایستی حداقل حساسیت را به نحوه ادای آواهای مختلف یک گفتار خاص از نظر كلام و كوينده داشته باشند. * باز شناسی گفتار وابسته به گوینده : وابستگی به لحن, شكل و طول مسير = صوتی , طول گام و غیره ۱ 

صفحه 11:
اجزای سیستم های با شناسی خودکار گفتار ۰ دادگان های گفتاری تنوع گویندگان و حجم دادگان مهمترین پارامترهاي طراحي دادگان‌هاي كاربردي زبان انگلیسی شامل حدود 200 تا 300 ساعت گفتار با حدود 300 گوینده ۱ * دادگان های متنی ‎a‏ حجم مناسب براي استخراج آمار معتبر - حدود 250 تا 300 میلیون کلمه واژگان 

صفحه 12:
اجزای سیستم های با شناسی خودکار گفتار روش های گرامری : به جملات خروجی ساختار گرامری آن زبان اعمال می شود مدل های ‎il ih‏ = ۳ زبانی روش های اماری : احتمال پشت سرهم آمدن کلمات به عنوان مدل‌های زبانی استخراج شده و مورد استفاده ! قرار می‌گیرند 

صفحه 13:
اجزای سیستم های بازشناسی خودکار گفتار مدل انطباق زماني پویا (۵۲۷۷) ) شبکه عصبی مصنوعی ‎(ANN)‏ ‏مدل های اوایی مدل مخفی مارکوف (/۲۱/۱) ) ۱ ~ 3 ۱ مدل های ترکیبی 

صفحه 14:
دیاگرام کلی سیستم بازشناسی خودکار گفتار با رویکرد تشخیص الگو ‎Coal‏ | 2 “5 14 ۹ ع8 دود | Sn 

صفحه 15:
خطا های سیستم های بازشناسی خود کار گفتار خطای حذف ‎(Deletion)‏ : : عدم باز شناسی یک سیگنال آوایی که در گفتار وجود دارد خطا ها ‎iia hon‏ : عدم وجود واحد آوایی باز شناسی شده‌در سیگنال گفتا 9 خطای جايگزيني : باز شناسی يك واحد آوایی به اشتباه به جاى يك واحد اوايى ديكرى 

صفحه 16:
با تشکر از توجه شما!! بایان 

پردازش زبان طبیعی ()NLP با تمرکز بر باز شناسی خودکار گفتار ASR گردآورنده : محسن ساریخانی بهار 1395 پردازش زبان طبیعی چیست ؟ • استفاده از رايانه به منظور پردازش زبان گفتاری و نوشتاری و به طور دقیق تر ماشينی کردن فرايند درک و برداشت مفاهيم بيان شده توسط يک زبان طبيعی انسانی هدف اصلی پردازش زبان طبیعی • ايجاد تئوري‌هاي محاسبايت از زبان ،با استفاده از الگوريتم‌ها و ساختارهاي داده‌اي موجود در علوم رايانه‌ای NLP زمینه های کاری بازشناسیAutomatic Speech Recognition (ASR) • خودکار گفتار تبدیل منت به گفتارText-To-Speech (TTS) • ترجمه ماشینیMachine Translation (MT) • باز شناسیOptical Character Recognition (OCR) • کاراکرت های نوری ... • و بازشناسي خودکار گفتار ‏Automatic Speech Recognition )(ASR • زبان معمولرتين رسانه ارتباطي و ابزار بازمنايي جهان در ذهن انسان گفتار ساده ترين و رايج ترين ابزار ارتباطي انسانها اولني دستاورد بازشنايس گفتار :راحت‌تر کردن ارتباطات بني انسان و ماشني‌ها • دسرتيس به تکنولوژي همواره منجر به برتري مي‌گردد، برتري براي تکنولوژي بازشنايس گفتار مي‌تواند از ابعاد مختلف فرهنگي، اجتامعي ،اقتصادي ،نظامي-سيايس و علمي باشد • • • چرا سیستم های باز شناسی خودکار گفتار مهم هستند ؟ اهميت فرهنگي • کمک به زبان و صيانت از بزرگرتين مرياث فرهنگي ملت بويژه در محيط رايانه و اينرتنت • استفاده بيشرت از زبان و زنده نگه داشنت آن • فراهم کردن بسرت ايجاد تعامل بيشرت با زبان و کمک به ابعاد توريستي، سيايس ،تجاري • راحت‌تر کردن ارتباط افراد با زبانهاي مختلف با زبان مورد نظر (مرتجم گفتار به گفتار) چرا سیستم های باز شناسی خودکار گفتار مهم هستند ؟ اهميت اجتامعي • • ايجاد آسايش و سادگي بيشرت، باال بردن کيفيت ارائه خدمات • افزايش رسعت پاسخگويي • کسب رضايت مشرتيان • کمک به معلولني و ... اهميت اقتصادي و تجاري: • قابل استفاده در همه کاربردهايي که نياز به ارتباط انسان و ماشني وجود دارد • راحتي و سادگي بيشرت ،ترسيع در انجام کار • خستگي‌ناپذير بودن و دسرتيس 24ساعته • عميل کردن برخي ارتباطات غري عميل مثال :سيستم IVR مبتني بر گفتار و سيستم IVR کالسيک سیستم های تشخیص گفتار چگونه عمل می کنند ؟ رویکرد مبتنی برتشخیص الگو داراي دو فاز آموزش ) )Trainو آزمون )Test ) • آموزش الگوهاي مربوط به هرکالس (واحدهاي آوايي مانند کلمه ،واج و )...با استفاده از روش‌هايي مدل‌سازي مي‌شوند. • آزمون مقايسه گفتار ورودي با الگوهاي آموزش داده شده جهت تشخيص واحدهاي آوايي موجود درگفتار ورودی دیاگرام کلی سیستم بازشناسی خودکار گفتار با رویکرد تشخیص الگو آزمون دنباله کلمات جستجو تخمين مدلها مدلهاي زباني واژگان ‌استخراج ويژگي مدلهاي آوايي دادگان متني سيگنال گفتار تخمين مدلها دادگان گفتاري آموزش اجزای سیستم های بازشناسی خودکار گفتار • استخراج ویژگی هدف :کاهش حجم محاسبات و حذف افزونگی‌های موجود در سیگنال گفتار با استخراج تعداد محدودی پارامرت از آن • بازشناسی گفتار مستقل از گوینده :بایستی حداقل حساسیت را به نحوه ادای آواهای مختلف یک گفتار خاص از نظر کالم و گوینده داشته باشند. • باز شناسی گفتار وابسته به گوینده :وابستگی به لحن ،شکل و طول مسیر صوتی ،طول گام و غیره اجزای سیستم های بازشناسی خودکار گفتار • دادگان های گفتاری تنوع گويندگان و حجم دادگان مهمرتين پارامرتهاي طراحي دادگان‌هاي کاربردي زبان انگلييس شامل حدود 200تا 300ساعت گفتار با حدود 300گوينده • دادگان های متنی حجم مناسب براي استخراج آمار معترب = حدود 250تا 300ميليون کلمه • واژگان اجزای سیستم های بازشناسی خودکار گفتار روش های گرامری :به جمالت خروجی ساختار گرامری آن زبان اعامل می شود مدل های زبانی روش های آماری :احتامل پشت رسهم آمدن کلامت به عنوان مدل‌های زبانی استخراج شده و مورد استفاده قرار می‌گیرند اجزای سیستم های بازشناسی خودکار گفتار مدل انطباق زماين پويا () )DTW مدل های آوایی شبکه عصبی مصنوعی () ANN مدل مخفی مارکوف () )HMM مدل های ترکیبی دیاگرام کلی سیستم بازشناسی خودکار گفتار با رویکرد تشخیص الگو آزمون دنباله کلمات جستجو تخمين مدلها مدلهاي زباني واژگان ‌استخراج ويژگي مدلهاي آوايي دادگان متني سيگنال گفتار تخمين مدلها دادگان گفتاري آموزش خطا های سیستم های بازشناسی خودکار گفتار خطای حذف ( : )Deletionعدم باز شناسی یک سیگنال آوایی که در گفتار وجود دارد خطا ها خطای درج ( :)Insertionعدم وجود واحد آوایی باز شناسی شده در سیگنال گفتار خطای جایگزینی :باز شناسی یك واحد آوایی به اشتباه به جای یک واحد آوایی دیگری با تشکر از توجه شما!! پایان