Machine Learning for Speech and Audio Processing

Dozent: Prof. Dr.-Ing. Peter Jax

Ansprechpartner: Lars Thieling, Maximilian Kentgens

Typ: Master-Vorlesung

Credits: 4

Vorlesung in RWTHonline
Übung in RWTHonline
Lernraum RWTHmoodle
(Anmeldung über RWTHonline)

Vorlesungssprache: Englisch

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

Termine

Vorlesung:

ab Freitag, 17. April 2020
08:30 - 10:00 Uhr
Hörsaal FT

Übung:

ab Freitag, 17. April 2020
10:15 - 11:00 Uhr
Hörsaal FT

Sprechstunden:

Mittwoch, 22.07.2020
15:00-16:00
online

Dienstag, 04.08.2020
14:00-15:00
online

Donnerstag, 13.08.2020
14:00-15:00
online

Montag, 17.08.2020
14:00-15:00
online

Prüfung

Klausur SS2020:
Donnerstag, 20. August 2020

09:00 - 10:30 Uhr
trivago-Hörsaal (H02)

Prüfungsdauer: 1,5 Stunden

Anmerkung: Es handelt sich um eine schriftliche Prüfung. Dieser Termin bezieht sich auch auf die schriftlichen Leistungsnachweise.

Hilfsmittel: Zur Lösung der Klausur darf eine beidseitig beschriebene DIN A4 Formelsammlung verwendet werden. Andere schriftliche Hilfsmittel (z.B. Vorlesungsunterlagen, Übungsmitschriften) sind nicht erlaubt. Die Verwendung eines Taschenrechners ist erlaubt.

Bitte beachten: Bringen Sie bitte Ihren Studierendenausweichs (BlueCard) mit.

Einsicht:

Dienstag, 20. Oktober 2020
10:00-11:00
online

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 2020

Teilnehmer an der Evaluierung (Vorlesung/Übung): 16/10

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

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

MLSAP_Vorlesung_SS20.pdf
MLSAP_Uebung_SS20.pdf