Die Studierenden erhalten einen Überblick über den Stand der Forschung im Bereich des Maschinellen Lernens und Hörens. Dies kann in der Bearbeitung eines aktuellen Literaturthemas bestehen oder alternativ in der gemeinsamen Einarbeitung in die praktische Umsetzung von Methoden des Maschinellen Lernens.

Um diese zwei Richtungen in dem Seminar zu verwirklichen, können die Teilnehmerinnen und Teilnehmer individuell aus zwei alternativen Arbeitsweisen wählen:

(1) "Literaturarbeit": Es wird im klassischen Stil eines Seminars ein Literaturthema erarbeitet und in einem Vortrag den anderen Teilnehmern und Teilnehmerinnen zur Diskussion gestellt.

(2) "Experimenteller Ansatz": Es wird die praktische Umsetzung und Anwendung von Algorithmen des Maschinellen Lernens in der Programmiersprache Python zuerst in einer Einführung erlernt und anschließend auf ein eng umgrenztes selbst gewähltes Problem angewandt.

Die Umsetzung des zweiten Ansatzes ("Experimenteller Ansatz") ist wie folgt geplant: Die erste Semesterhälfte (Wochen 1 bis 7) ist eine Lernphase, in der anhand von Kursmodulen der website kaggle.com Grundtechniken der Anwendung Maschinellen Lernens in Python sich individuell angeeignet werden. Die zweite Semesterhälfte (Wochen 8 bis 14) besteht aus einem individuell gewählten, vom Umfang her kleinen Miniprojekt, die erlernten Techniken auf ein selbst definiertes Problem angewendet werden.

Miniprojekte in dem erwarteten relativ geringen Umfang werden durch online verfügbare python Umgebungen bearbeitet. Bei vertieftem individuellen Interesse ist die Nutzung eines Arbeitsgruppen-GPU-servers für die Berechnung von tiefen neuronalen Netzen (deep neural networks) möglich. Dabei stehen mit GPUs ausgestattete Rechner und die passenden Softwarebibliotheken (python, pytorch) zur Verfügung.

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.