Stud.IP Uni Oldenburg
University of Oldenburg
15.10.2021 23:10:01
phy685 - Advanced Engineering Topics in Biomedical Physics & Acoustics (Course overview)
Institute of Physics 6 KP
Module components Semester courses Wintersemester 2020/2021 Examination
Lecture
  • No access 5.04.4203 - Angewandte Psychophysik Show lecturers
    • Prof. Dr. Steven van de Par

    Wednesday: 16:00 - 18:00, weekly (from 21/10/20)

    Detailed knowledge of the theoretical concepts underlying listening tests and of modern designs of listening tests. Knowledge about human auditory perception and its application in e.g. vehicle acoustics and digital signal processing. Subjective listening experiment design and models of human auditory perception will be treated with a focus on application in sound quality measurement (e.g. for vehicle noise and sound reproduction) and in digital signal processing algorithm development (e.g. for low bit-rate audio coding and headphone virtualizers).

  • No access 5.04.4204 - Prinzipien der Signalverarbeitung in Hörgeräten Show lecturers
    • Prof. Dr. Volker Hohmann, Dipl.-Phys.

    Thursday: 10:00 - 12:00, weekly (from 22/10/20)

    Understanding the signal processing principles applied to hearing devices (hearing aids and cochlear implants) Contents: - Amplification and compression - Speech enhancement and noise reduction - Signal processing in cochlear implants - Computational auditory scene analysis - Automatic classification of the acoustic environment - Acoustic feedback management

  • No access 5.04.4208 - Oberseminar Signal- und Sprachverarbeitung Show lecturers
    • Prof. Dr. Simon Doclo

    Monday: 10:00 - 12:00, weekly (from 19/10/20)

    Aktuelle Forschungsarbeiten aus folgenden Gebieten der Signal- und Sprachverarbeitung: Ein- und mehrkanalige Sprachverbesserung, Sensornetzwerke, Sprachmodellierung, Sprachtechnologie, Signalverarbeitung für Hörgeräte und Multimedia.

  • No access 5.04.4210 - Oberseminar Akustik Show lecturers
    • Prof. Dr. Steven van de Par

    Thursday: 14:00 - 16:00, weekly (from 22/10/20)

  • No access 5.04.4213 - Machine Learning I - Probabilistic Unsupervised Learning Show lecturers
    • Prof. Dr. Jörg Lücke

    Wednesday: 10:00 - 12:00, weekly (from 21/10/20)
    Dates on Tuesday. 23.02.21 - Friday. 26.02.21 09:00 - 18:30

    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

  • No access 5.04.4213 Ü1 - Machine Learning I - Probabilistic Unsupervised Learning Show lecturers
    • Prof. Dr. Jörg Lücke

    Tuesday: 16:00 - 18:00, weekly (from 03/11/20)

  • No access 5.04.4213 Ü2 - Machine Learning I - Probabilistic Unsupervised Learning Show lecturers
    • Prof. Dr. Jörg Lücke
    • Filippos Panagiotou

    Tuesday: 16:00 - 18:00, weekly (from 27/10/20)

  • No access 5.04.4213 Ü3 - Machine Learning I - Probabilistic Unsupervised Learning Show lecturers
    • Seyyed Hamid Mousavi Hashemi
    • Prof. Dr. Jörg Lücke

    Tuesday: 16:00 - 18:00, weekly (from 27/10/20)

  • No access 5.04.4214 - Advanced Models and Algorithms in Machine Learning Show lecturers
    • Prof. Dr. Jörg Lücke

    Monday: 08:00 - 10:00, weekly (from 19/10/20)

    The students will learn about recent developments and state-of-the-art approaches in Machine Learning, and their applications to different data domains. By presenting scientific studies in the context of currently used models and their applications, they will learn to understand and communicate recent scientific results. The presentations will use computers and projectors. Programming examples and animations will be used to support the interactive component of the presentations. In scientific discussions of the presented and related work, the students will obtain knowledge about current limitations of Machine Learning approaches both on the theoretical side and on the side of their technical and practical realizations. Presentations of interdisciplinary research will enable the students to carry over their Machine Learning knowledge to address questions in other scientific domains. Contents: In this seminar recent developments of models and algorithms in Machine Learning will be studied. Advances of established modelling approaches and new approaches will be presented and discussed along with the applications of different current algorithms to application domains including: auditory and visual signal enhancements, source separation, auditory and visual object learning and recognition, auditory scene analysis and inpainting. Furthermore, Machine Learning approaches as models for neural data processing will be discussed and related to current questions in Computational Neuroscience.

  • No access 5.04.4218 - Auditory Scene Analysis in Speech and Music Show lecturers
    • Kai Siedenburg

    Monday: 16:00 - 18:00, weekly (from 19/10/20)

  • No access 5.04.4221 - Grundkurs im Strahlenschutz mit Praktikum Show lecturers
    • Heiner von Boetticher
    • Prof. Dr. Björn Poppe

    The course times are not decided yet.
    Die Studierenden erlangen grundlegende Kenntnisse im Gebiet des Strahlenschutzes. Sie erwerben Fähigkeiten der Bewertung von zivilisatorischen und natürlichen Strahlenexpositionen und deren Vergleich mit Anwendungen in der Medizin. Sie erweitern ihre Kompetenzen im Bereich der Präsentationstechnik durch die Betreuung von kleinen Praktikumsversuchen zum Strahlenschutz. Inhalt: Strahlenphysik, Grundlagen der Dosimetrie, Strahlenschutzgrundsätze, Strahlenschutzverordnung, Natürliche und zivilisatorische Strahlenbelastung, Praktikum im Bereich der Strahlenschutzmesstechnik

  • No access 5.04.4226 - Aktuelle Probleme des Maschinellen Lernens und -Hörens Show lecturers
    • Dr Jörn Anemüller
    • Eike Jannik Nustede, M. Sc.

    Wednesday: 12:15 - 13:45, weekly (from 22/10/20)

    Die Studierenden erhalten einen Überblick über den Stand der Forschung im Bereich des Maschinellen Lernens und Hörens. In ihrem eigenen Vortrag mit Ausarbeitung erarbeiten sie ein Thema aus der aktuellen Fachliteratur, bereiten dies durch eigene Rechnungen auf und stellen dies in einer Präsentation vor. Ein möglicher Schwerpunkt kann die Nutzung von GPUs für die Berechnung von tiefen neuronalen Netzen (deep neural networks) sein. Dafür stehen mit GPUs ausgestattete Rechner und die passenden Softwarebibliotheken (python, pytorch) zur Verfügung. Im Rahmen eines semesterbegleitenden Projektes kann damit ein kleines neuronales System implementiert werden, dass mit realistischen Signalen eine Musterkennungsaufgabe löst, z.B. Erkennung von Sprache, Sprechern oder Audio-Events. Inhalte: Themen aus dem Bereich aktueller Forschung des maschinellen Hörens, etwa Audiosignalerkennung, Spracherkennung, Richtungsdetektion und räumliche Filterung, statistische Modellierung des auditorischen Systems basierend auf experimentellen Daten der Neurobiologie, Algorithmen des überwachten und unüberwachten Lernens.

  • No access 5.04.439 - Psychoakustik, Sprachwahrnehmung und Audiologie Show lecturers
    • PD Dr. Thomas Brand

    Wednesday: 08:00 - 10:00, weekly (from 28/10/20)

    Die Studierenden erwerben praktische und theoretische Kenntnisse über den aktuellen Stand der Forschung auf den Gebieten der Modellierung des Sprachverstehens bei Normal- und Schwerhörenden in ungünstigen Hörsituationen sowie der Entwicklung und Anwendung audiologischer und psycholinguistischer Untersuchungsmethoden. Sie erlangen Fertigkeiten zur Planung und zur selbstständigen Durchführung von wissenschaftlichen Studien zu dieser Thematik. Sie erweitern ihre Kompetenzen hinsichtlich der Darstellung und Diskussion eigener Ergebnisse auf Tagungen und in wissenschaftlichen Fachzeitschriften. Inhalte: Modellierung des Sprachverstehens bei Normal- und Schwerhörenden in komplexen akustischen Situationen, Einfluss linguistischer Parameter auf das Sprachverstehen, Psychoakustische Modelle, Automatische Spracherkennung, Entwicklung von (multilingualen) Sprachverständlichkeitstests, Zusammenhang audiologischer Messgrößen (Tonaudiogramm, BERA, TEOAE, Tympanometrie) mit dem Sprachverstehen, Berichte über Probleme und Fortschritte aktueller Forschungsarbeiten (Bachelor- und Masterarbeiten, Dissertationen)

Seminar
Exercises
Practical training
Notes for the module
Prerequisites
Related to selected course/s
Module examination
Related to selected course/s
Skills to be acquired in this module
The aim of this module is, to give students further access to also small courses (3 CP) which address the specific interest of the student and deliver unique in-depth knowledge or the opportunity to train specific engineering skills.