phy830 - Akustik und Signalverarbeitung Teil I (Veranstaltungsübersicht)

phy830 - Akustik und Signalverarbeitung Teil I (Veranstaltungsübersicht)

Institut für Physik 6 KP
Modulteile Semesterveranstaltungen Sommersemester 2020 Prüfungsleistung
Vorlesung
()
Seminar
  • Kein Zugang 5.04.4012 - Informationsverarbeitung und Kommunikation Lehrende anzeigen
    • Priv.-Doz. Dr. Jörn Anemüller

    Donnerstag: 16:00 - 18:00, wöchentlich (ab 15.04.2020), Ort: W32 1-113
    Termine am Donnerstag, 23.07.2020 16:00 - 18:00, Ort: W32 0-005

    Die Studierenden erlernen, wie statistische Eigenschaften von Signalen zur Lösung von Problemen der Angewandten Physik, insbesondere der Klassifikation, parametrischen Modellierung und Übertragung von Signalen genutzt werden können. Theoretische Lernziele beinhalten damit eine Wiederholung und Festigung statistischer Grundlagen und eine Verständnis von deren Nutzung für Algorithmen unterschiedlicher Zielsetzung und Komplexität. Im praktischen Teil werden Eigenschaften der behandelten Methoden selbständig erarbeitet sowie Algorithmen auf dem Rechner implementiert und auf reale Daten angewendet, so daß der Umgang mit theoretischen Konzepten und ihre praktische Umsetzung erlernt werden. Inhalte: Grundfragen der Informationsverarbeitung (Klassifikation, Regression, Clustering), Lösungsmethoden basierend auf Dichteschätzung und diskriminativen Ansätzen (z.B. Bayes Schätzung, k-nearest neighbour, Hauptkomponentenanalyse, support-vector-machines, Hidden-Markov- Modelle), Grundlagen der Informationstheorie, Methoden der analogen und digitalen Nachrichtenübertragung, Prinzipien der Kanalcodierung und Kompression

  • Kein Zugang 5.04.4012 Ü1 - Informationsverarbeitung und Kommunikation Lehrende anzeigen
    • Priv.-Doz. Dr. Jörn Anemüller
    • Eike Jannik Nustede, M. Sc.

    Donnerstag: 16:00 - 18:00, wöchentlich (ab 07.05.2020)

    Die Studierenden erlernen, wie statistische Eigenschaften von Signalen zur Lösung von Problemen der Angewandten Physik, insbesondere der Klassifikation, parametrischen Modellierung und Übertragung von Signalen genutzt werden können. Theoretische Lernziele beinhalten damit eine Wiederholung und Festigung statistischer Grundlagen und eine Verständnis von deren Nutzung für Algorithmen unterschiedlicher Zielsetzung und Komplexität. Im praktischen Teil werden Eigenschaften der behandelten Methoden selbständig erarbeitet sowie Algorithmen auf dem Rechner implementiert und auf reale Daten angewendet, so daß der Umgang mit theoretischen Konzepten und ihre praktische Umsetzung erlernt werden. Inhalte: Grundfragen der Informationsverarbeitung (Klassifikation, Regression, Clustering), Lösungsmethoden basierend auf Dichteschätzung und diskriminativen Ansätzen (z.B. Bayes Schätzung, k-nearest neighbour, Hauptkomponentenanalyse, support-vector-machines, Hidden-Markov- Modelle), Grundlagen der Informationstheorie, Methoden der analogen und digitalen Nachrichtenübertragung, Prinzipien der Kanalcodierung und Kompression

  • Kein Zugang 5.04.4027 - Sprachverarbeitung Lehrende anzeigen
    • Prof. Dr. Bernd Meyer

    Mittwoch: 14:00 - 16:00, wöchentlich (ab 15.04.2020)

    In dieser Vorlesung werden Inhalte der menschlichen und maschinellen Sprachverarbeitung behandelt. Das Themenspektrum reicht dabei von technischen Lösungen zur Erkennung oder Kompression von Sprachsignalen bis zu neurophysiologischen Themen, z.B. die kortikale Repräsentation von Sprache. Unter anderem werden folgende Fragen untersucht: - Wie funktioniert die menschliche Spracherzeugung? - Welche Methoden sind zur automatischen Sprachverarbeitung wichtig? - Wie kann man effektiv Sprachsignale darstellen (z.B. zur effektiven Übermittlung nötig)? - Was wissen über Sprachwahrnehmung beim Menschen, insbesondere mit Hinblick auf Neurophysiologie? Es handelt sich um eine integrierte Veranstaltung, in der sich Vorlesungs- und Übungselemente abwechseln. Teilnehmer sollen optimalerweise einen Rechner dabei haben, um das Erlernte nachzuvollziehen, Algorithmen selbst anzuwenden und teilweise selbst zu implementieren.

  • Kein Zugang 5.04.4213 - Machine Learning I - Probabilistic Unsupervised Learning Lehrende anzeigen
    • Prof. Dr. Jörg Lücke

    Dienstag: 14:00 - 16:00, wöchentlich (ab 14.04.2020)
    Donnerstag: 10:00 - 12:00, wöchentlich (ab 16.04.2020)

    The field of Machine Learning develops and provides methods for the analysis of data and signals. Typical application domains are computer hearing, computer vision, general pattern recognition and large-scale data analysis (recently often termed "Big Data"). Furthermore, Machine Learning methods serve as models for information processing and learning in humans and animals, and are often considered as part of artificial intelligence approaches. This course gives an introduction to unsupervised learning methods, i.e., methods that extract knowledge from data without the requirement of explicit knowledge about individual data points. We will introduce a common probabilistic framework for learning and a methodology to derive learning algorithms for different types of tasks. Examples that are derived are algorithms for clustering, classification, component extraction, feature learning, blind source separation and dimensionality reduction. Relations to neural network models and learning in biological systems will be discussed were appropriate. The course requires some programming skills, preferably in Matlab or Python. Further requirements are typical mathematical / analytical skills that are taught as part of Bachelor degrees in Physics, Mathematics, Statistics, Computer and Engineering Sciences. Course assignments will include analytical tasks and programming task which can be worked out in small groups. The presented approach to unsupervised learning relies on Bayes' theorem and is therefore sometimes referred to as a Bayesian approach. It has many interesting relations to physics (e.g., statistical physics), statistics and mathematics (analysis, probability theory, stochastic) but the course's content will be developed independently of detailed prior knowledge in these fields. Weblink: www.uni-oldenburg.de/ml

  • Uneingeschränkter Zugang 5.04.4213 T - Übung für Tutoren: Machine Learning I - Probabilistic Unsupervised Learning Lehrende anzeigen
    • Prof. Dr. Jörg Lücke

    Dienstag: 16:00 - 18:00, wöchentlich (ab 28.04.2020)

    Übung für Betreuer und Tutoren

  • Uneingeschränkter Zugang 5.04.4213 Ü1 - Machine Learning I - Probabilistic Unsupervised Learning Lehrende anzeigen
    • Florian Hirschberger

    Dienstag: 16:00 - 18:00, wöchentlich (ab 28.04.2020)

  • Kein Zugang 5.04.711 - Akustik Lehrende anzeigen
    • Prof. Dr. Steven van de Par
    • Dr. Stephan Ewert, Dipl.-Phys.
    • Prof. Dr. Dr. Birger Kollmeier

    Dienstag: 16:00 - 18:00, wöchentlich (ab 21.04.2020), Ort: (online)
    Donnerstag: 08:00 - 10:00, wöchentlich (ab 16.04.2020), Ort: W02 1-143, (online)
    Termine am Dienstag, 21.07.2020 10:00 - 12:00, Ort: V03 0-C002

    Schwingungen und Wellen, physikalische Grundlagen der Akustik, Erzeugung und Ausbreitung von Schall, Messung und Bewertung von Schall, Verarbeitung und Analyse akustischer Signale, Akustik von Stimme und Sprache, Sprachpathologie, Schalldämmung und –dämpfung, Raum- und Bauakustik, Elektroakustik, Stoßwellen, Photoakustischer Effekt; ausgesuchte Kapitel der Akustik, der Vibrationen und des Ultraschalls.

Übung
Hinweise zum Modul
Teilnahmevoraussetzungen
Bachelor in Hörtechnik und Audiologie oder entsprechend
Hinweise
Es muss eine Auswahl der folgenden Veranstaltungen im Umfang von insgesamt 6 KP belegt werden. Alternativ können auch Veranstaltungen aus dem Modul „Akustik und Signalverarbeitung II“ belegt werden.

Advanced Topics Speech and Audio Processing, VL/Ü (6 KP)
Angewandte Psychophysik, VL/SE/Ü (3 KP)
Machine Learning I - Probabilistic Unsupervised Learning, VL/Ü (6 KP)
Principles of Signal Processing in Hearing Devices, VL/Ü (3 KP)
Cochlear Implats, VL/SE (3 KP)
Oberseminar Akustik, SE (3 KP)

Lehrform:
Advanced Topics Speech and Audio Processing: Vorlesung: 2 SWS, Übungen: 2 SWS Angewandte Psychophysik: Vorlesung/Seminar/Übungen: 2 SWS
Machine Learning I - Probabilistic Unsupervised Learning: Vorlesung: 2 SWS, Übungen: 2 SWS
Principles of Signal Processing in Hearing Devices, Vorlesung/ Übung: 2 SWS Cochlear Implants, Vorlesung/Seminar: 2 SWS Oberseminar Akusik: Seminar: 2 SWS
Prüfungsleistung Modul
Klausur oder zwei Teilklausuren
oder mündliche Prüfung oder Präsentation (separate Teilprüfungen nur für Principles of Signal Processing in Hearing Devices bzw. Angewandte Psychophysik)
Kompetenzziele
Vermittlung der theoretischen Grundlagen und praktischen Anwendungen moderner Sprachtechnologie. Vermittlung moderner Signalverarbeitungsalgorithmen für digitale Hörgeräte, Cochlear Implantate, Sprachkommunikations- und Audiosysteme. Vermittlung der Grundlagen der Informationsverarbeitung und Informationstheorie, und praktischer Methoden der statistischen Signalverarbeitung, Signalkompression und Nachrichtenübertragung. Messungen akustischer Ereignisse sowie Messungen zur Identifizierung akustischer Systeme. Nach Abschluss des Moduls beherrschen Studierende (a) moderne Signal- und Informations-verarbeitungsmethoden und können (b) die gelernten Methoden zur Analyse schwingungsphysikalischer Systeme und zur Erklärung der Funktionsweise und Analyse signalverarbeitender Systeme einsetzen.