Machine Learning for Speech and Audio Processing
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