Signal detektion og mønstergenkendelse er fundamentale komponenter
i moderne anvendelser af signalbehandling i for eksempel
høreapparater, telekommunikation, underholdning og biomedicin. I
mange anvendelse er der ikke etableret en brugbar fysisk model, og
derfor må man anvende såkaldt machine learning metoder til at finde
en brugbar model - typisk indenfor en familie af fleksible
parametriske modeller som for eksempel kunstige neurale netværk
eller gaussiske miksturer.
Læringsmål:
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
Diskutere fundamentale aspekter af machine learning:
Generaliserbarhed, likelihood funktionen, Bayes metoder, og
bias-varians afvejning.
Diskutere fundamentale aspekter af signal detektion: Bayes
beslutningsteori, posterior sandsynligheder, og
tabsfunktioner.
Definere likelihood funktioner for signal modellering og
detektion
Designe lineære og ikke-lineære signal modellering and
detektionssystemer
Benytte krydsvalidering til at opnå centrale estimatorer for
ydeevne
Evaluere adaptive lineære og ikke-lineære signal modellering og
detektionssystemer.
Forklare implementering af adaptive systemer og deres
evaluering i Matlab
Være bekendt med anvendelser af machine learning indenfor
lydbehandling herunder talegenkendelse
Være bekendt med anvendelser af machine learning indenfor det
bio-medicinske område
Være i stand til at give en mundligt redegørelse for resultater
fra kursets matlab øvelser.
Kursusindhold:
Indholdet i kurset kan variere lidt fra år til år, men vil blive
udvalgt blandt følgende emner:
Signal detektion og mønstergenkendelse. Bayesiansk beslutningsteori
og matematisk modellering af mønstergenkendelsessysstemer.
Machine learning herunder neurale netværk. Der gives en
grundlæggende indføring i teorien for machine learning. Teorien
belyses ved anvendelser inden for en række områder, herunder
digitale medier, biomedicin og datamining. Metoder til
talegenkendelse baseret på skjulte Markov modeller.
Litteraturhenvisninger:
Christopher M. Bishop: "Pattern Recognition and Machine
Learning".
Springer (2006) ISBN 0-38-731073-8
Bemærkninger:
Dette kursus er sammen med kursus 02459 videregående kurser inden
for digital signalbehandling. De tilhørende indledende kurser er
02451, 02453.
Mulighed for GRØN DYST deltagelse:
Kontakt underviseren for information om hvorvidt dette kursus giver
den studerende mulighed for at lave eller forberede et projekt som
kan deltage i DTUs studenterkonference om bæredygtighed,
klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
