Machine Learning for Speech and Audio Processing (Neu!)

Dozent: Prof. Dr.-Ing. Peter Jax

Ansprechpartner: Lars Thieling, Maximilian Kentgens

Typ: Master-Vorlesung

Credits: 4

RWTHonline Vorlesung
RWTHonline Übung
Lernraum (moodle)
(Anmeldung über RWTHonline)

Vorlesungssprache: Englisch

Unterlagen:
Die Folien zur Vorlesung werden in der ersten Vorlesung sowie von Irina Ronkartz verkauft. Übungsaufgaben werden im Lernraum zur Verfügung gestellt.

Termine

Vorlesung:

ab Freitag, 5. April 2019
08:30 - 10:00 Uhr
Hörsaal 4G

Übung:

ab Freitag, 5. April 2019
10:15 - 11:00 Uhr
Hörsaal 4G

Sprechstunden:

Mittwoch, 24.07.2019
14:00-15:00
Hörsaal 4G

Montag, 29.07.2019
14:00-15:30
Hörsaal 4G

Prüfung

Donnerstag, 1. August 2019
09:00-10:30
Hörsaal Aula 2

Hilfsmittel: Zur Lösung der Klausur darf eine beidseitig beschriebene DIN A4 Formelsammlung verwendet werden. Andere schriftliche Hilfsmittel (z.B. Vorlesungsfolien, Übungsmitschriften) sind nicht erlaubt.

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

Einsicht:

Freitag, 6. September 2019
14:00-15:30
Hörsaal 4G

Die neue Vorlesung "Machine Learning for Speech and Audio Processing (MLSAP)" richtet sich insbesondere an Studierende im Master-Studiengang "Elektrotechnik, Informationstechnik und Technische Informatik". Ab dem Sommersemester 2019 ist die Veranstaltung MLSAP im ELECTIVE Katalog der Vertiefungsrichtungen „Communications Engineering“ (COMM), „Computer Engineering“ (COMP) und „Systems and Automation“ (SYAT) kurrikular verankert.

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 2019

Teilnehmer an der Evaluierung (Vorlesung/Übung): 32/32

Vorlesung:
Globalindikator: 1,3
Konzept der Vorlesung: 1,4
Vermittlung und Verhalten: 1,3

Übung:
Globalindikator: 1,4
Konzept der Übung: 1,5
Vermittlung und Verhalten: 1,4

MLSAP_Vorlesung_SS19.pdf
MLSAP_Uebung_SS19.pdf