Name |
Audio- und Sprachverarbeitung |
SWS |
4 |
ECTS |
5 |
Sprache(n) |
Deutsch (Standard)
Englisch
|
Lehrform |
SU mit Praktikum |
Angebot |
nach Ankündigung |
Aufwand |
60 Präsenzstunden, 90 Stunden Eigenarbeit zur Vor-/Nachbereitung, Arbeit an der Modularbeit und zur Vorbereitung der Präsentation |
Voraussetzungen |
Grundkenntnisse maschinelles Lernen mit neuronalen Netzen, Python. Grundkenntnisse in der Signalverarbeitung sind hilfreich. |
Ziele |
Die Studierenden sind in der Lage...
- Die in Audio- und Sprachdaten verfügbaren Informationen zu erkennen
- Methoden zur Verarbeitung und Analyse von Audiodaten zu implementieren und zu beurteilen
- Techniken aus der Signalverarbeitung und dem maschinellen Lernen auf Audiodaten anzuwenden
- Konzeptionelle und praktische Lösungen für audiobasierte Probleme in der realen Welt zu entwerfen
|
Inhalt |
- Grundlagen der Signalverarbeitung
- Audio-Features
- Maschinelles Lernen für Audio
- Verarbeitung von Umwelt- und Industriegeräuschen
- Music Information Retrieval
- Sprach- und Sprechererkennung (z.B. HMMs, neuronale Netze)
- Audiogenerierung
- Sprachsynthese und Dialogsysteme
- Aktuelle Anwendungen (z.B. Denoising, Voice Imitation)
|
Medien und Methoden |
- Vortrag mit Folien und Beispielen
- Programmieraufgaben in Python mit Jupyter-Notebooks
- eigene Vorträge der Studierenden sowie Modularbeit
|
Literatur |
- Rabiner, L. R., & Schafer, R. W. Digital processing of speech signals.
- Gold, B., & Morgan, N. Speech and Audio Signal Processing. Wiley.
- Müller, M. Fundamentals of Music Processing.
- Virtanen, T., Plumbley, M., & Ellis, D. Computational Analysis of Sound Scenes and Events. Springer.
- Jurafsky, D., & Martin, J.H. Speech and Language Processing.
|
Zuordnungen Curricula |
SPO |
Fachgruppe |
Code |
ab Semester |
Prüfungsleistungen |
IF Version 2019 |
FWP |
|
4 |
benotete Modularbeit (60%)
benotete Präsentation (40%)
|
IF Version 2023 |
FWP |
|
4 |
benotete Modularbeit (60%)
benotete Präsentation (40%)
|
DC Version 2020 |
WPF Anwendungen des maschinellen Lernens |
|
4 |
benotete Modularbeit (60%)
benotete Präsentation (60%)
|
DC Version 2023 |
WPF Anwendungen des maschinellen Lernens |
DC-WPF-ML-05-011 |
4 |
benotete Modularbeit (60%)
benotete Präsentation (40%)
|
|