Machine Learning for Speech and Audio Processing

Die Vorlesung "Machine Learning for Speech and Audio Processing (MLSAP)" richtet sich insbesondere an Studierende im Master-Studiengang "Elektrotechnik, Informationstechnik und Technische Informatik". Die formale Verknüpfung zu den Modulkatalogen ist in RWTHonline zu finden.

Die einsemestrige Vorlesung behandelt Themen des maschinellen Lernens mit Anwendungen für Probleme der Sprach- und Audiosignalverarbeitung:

• Klassifikations- und Schätzungsverfahren
  • Bayes'sche  Wahrscheinlichkeitstheorie: Klassifikation und Schätzung
  • Techniken zur Merkmalsextraktion
  • Modellierung statistischer Verteilungen
  • Grundlegende Klassifikationsverfahren
• Statistische Modellierung
  • K-Means Clustering
  • Gaussian Mixture Models (GMMs)
  • Expectation-Maximization (EM) Algorithmus
• Modellierung sequentieller Daten
  
  • Hidden Markov Models (HMMs)
  • Schätzung und Klassifikation mit HMMs
  • Linear Dynamical Systems (LDS)
• Nicht-negative Matrixfaktorisierung
• Neuronale Netze und Deep Learning
  • Elemente Neuronaler Netze
  • Feed-Forward Neuronale Netze
  • Training der synaptischen Gewichte: Backpropagation und Stochastic Gradient Descent (SGD)
  • Spezialisierte Netzwerkarchitekturen: CNNs, RNNs, LSTMs
  • Fortschrittliche Lernstrategien

In der begleitenden Übung werden einzelne Themen unter praktischen Randbedingungen anhand von Beispielen vertieft.

Hier werden die letzten Evaluierungsergebnisse für die Lehrveranstaltung "Machine Learning for Speech and Audio Processing" zusammengefasst.

Teilnehmer an der Evaluierung: 5

Vorlesung:
Konzept der Vorlesung: 1,0
Materialien: 1,6
Vermittlung der Lehrinhalte: 1,0

Übung:
Konzept der Übung: 1,2
Materialien: 1,4
Vermittlung der Lehrinhalte: 1,2

MLSAP_Vorlesung_SS25.pdf
MLSAP_Übung_SS25.pdf

MLSAP_Vorlesung_SS22.pdf

MLSAP_Vorlesung_SS20.pdf
MLSAP_Uebung_SS20.pdf

MLSAP_Vorlesung_SS19.pdf
MLSAP_Uebung_SS19.pdf

MLSAP_Vorlesung_Uebung_SS18.pdf