Signaldetektion og mønstergenkendelse er fundamentale komponenter i
moderne anvendelser af signalbehandling i for eksempel
høreapparater, telekommunikation, indenfor big data, digitale
medier og i 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 modeller and
detektionssystemer
Benytte krydsvalidering til at opnå centrale estimatorer for
ydeevne
Evaluere adaptive lineære og ikke-lineære signal modellerings-
og detektionssystemer.
Forklare implementeringer 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 typisk
være:
Signaldetektion 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 02460 videregående kurser inden
for machine learning og digital signalbehandling. De tilhørende
indledende kurser er 02450, 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
