Machine Learning for Speech and Audio Processing

Dozent: Prof. Dr.-Ing. Peter Jax

Ansprechpartner: Egke Chatzimoustafa, Lars Thieling

Typ: Master-Vorlesung

Credits: 4

Anmeldung über RWTHonline

Vorlesungssprache: Englisch

Unterlagen:
Die Folien zur Vorlesung und Übungsaufgaben werden in RWTHmoodle zur Verfügung gestellt.

Termine

Vorlesung:

ab Donnerstag, 11. April 2024
08:30 - 10:00 Uhr
Hörsaal FT

Übung:

ab Donnerstag, 11. April 2024
10:30 - 11:00 Uhr
Hörsaal FT

Sprechstunden:

Individuelle Termine nach Vereinbarung bei Lars Thieling

Prüfung

Montag, 4.3.2024
Termine nach Vereinbarung

Die Prüfung findet in mündlicher Form statt. Bitte melden Sie sich umgehend zwecks Terminabstimmung bei Simone Sedgwick.

Hilfsmittel: Für die Vorbereitung zur mündliche Prüfung sind ein handgeschriebenes DIN A4 Blatt sowie ein nicht programmierbarer Taschenrechner erlaubt.

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.

Inhalt der Vorlesung

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.

Evaluierung

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

Sommersemester 2022

Teilnehmer an der Evaluierung5

Vorlesung:
Globalindikator: 1,6
Konzept der Vorlesung: 1,5
Vermittlung und Verhalten: 1,6

MLSAP_Vorlesung_SS22.pdf