Machine Learning for Speech and Audio Processing (Neu!)

Sie verwenden einen Browser, in dem JavaScript deaktiviert ist. Dadurch wird verhindert, dass Sie die volle Funktionalität dieser Webseite nutzen können. Zur Navigation müssen Sie daher die Sitemap nutzen.

You are currently using a browser with deactivated JavaScript. There you can't use all the features of this website. In order to navigate the site, please use the Sitemap .

Dozent: Prof. Dr.-Ing. Peter Jax

Ansprechpartner: Maximilian Kentgens

Typ: BLO/ZUS (V2Ü1)

Credits: 4

Veranstaltung in Campus
Lernraum L2P
(Anmeldung über Simone Sedgwick)

Vorlesungssprache: Englisch

Unterlagen:
Skripte und Übungsaufgaben werden vorlesungsbegleitend zur Verfügung gestellt.

Termine

Vorlesung:

ab Freitag, 13. April 2018
08:30 - 10:00 Uhr
Hörsaal 4G

Übung:

ab Freitag, 13. April 2018
10:15 - 11:00 Uhr
Hörsaal 4G

Sprechstunden:

Bei Bedarf bitte mit Themenangabe an Maximilian Kentgens wenden.

Prüfung

Die Prüfung findet im SS 2018 am 25.07., 30.08., 11.09. und 26.09. mündlich statt. Terminvergabe bei Simone Sedgwick.

Hilfsmittel: Hilfsmittel wie Vorlesungsunterlagen oder Bücher sind nicht zugelassen.

Bitte beachten: Bringen Sie bitte Ihren Studierendenausweis (BlueCard) mit!

Die neue Vorlesung "Machine Learning for Speech and Audio Processing" richtet sich insbesondere an Studierende im Master-Studiengang "Elektrotechnik, Informationstechnik und Technische Informatik" in den Fachrichtungen "Informations- und Kommunikationstechnik" und "Technische Informatik". Im Sommersemester 2018 handelt es sich um eine unbenotete Prüfung und wird als Zusatzqualifikation "BLO/ZUS" anerkannt.

Ab dem Sommersemester 2019 ist eine kurrikulare Verankerung als Wahlmodul in den Vertiefungsrichtungen "Informations- und Kommunikationstechnik" und "Technische Informatik" vorgesehen.

Inhalt der Vorlesung

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

  • Klassifikations- und Schätzungsverfahren
    • Grundlegende Probleme der Klassifikation
    • Techniken zur Merkmalsextraktion
    • Grundlegende Klassifikationsverfahren
  • Statistische Modellierung
    • Stochastische Prozesse und Modelle
    • Gaussian Mixture Models (GMMs)
    • Hidden Markov Models (HMMs)
    • Trainingsmethoden
    • Bayes'sche  Wahrscheinlichkeitstheorie: Klassifikation und Schätzung
    • Partikelfilter
  • Nicht-negative Matrixfaktorisierung
    • Dictionary‐basiertes Konzept
  • Neuronale Netze und Deep Learning
    • Feed-Forward Neuronale Netze
    • Grundlegende Anwendungen
    • Lernstrategien: Supervised vs. Unsupervised vs. Reinforcement Learning
    • Training der synaptischen Gewichte: Backpropagation und Stochastic Gradient Descent
    • Lernverhalten und die "Magie" von Hyper-Parametern
    • Generative Networks im Gegensatz zu gerichteten Graphen
    • Von "Shallow" bis "Deep": Der Kompromiss zwischen Verständlichkeit und Performance
    • Spezielle Netzwerkarchitekturen
    • Anwendungen aus der Signalverarbeitung
    • Interpretation und Realisierung

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

Evaluierung

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

Sommersemester 2018

Teilnehmer an der Evaluierung: 12
Globalindikator: 1,3

Vorlesung:
Konzept der Vorlesung: 1,2
Vermittlung und Verhalten: 1,3

Übung:
Konzept der Übung: 1,5
Vermittlung und Verhalten: 1,3

MLSAP_Vorlesung_Uebung_SS18.pdf