02462 Signaler og data

2020/2021

Kurset er kun for bachelorstuderende i Kunstig intelligens og data
Kursusinformation
Signals and data
Engelsk
5
Bachelor
F5B (ons 13-17)
Campus Lyngby
Forelæsninger, teoretisk og eksperimentel problem løsning, projektarbejde
13-uger
F4A
Mundtlig eksamen og bedømmelse af opgave(r)
Alle hjælpemidler er tilladt
7-trins skala , ekstern censur
Minimum 15
Hiba Nassar , Lyngby Campus, Bygning 321 , hibna@dtu.dk
Lars Kai Hansen , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3889 , lkai@dtu.dk
Morten Mørup , Tlf. (+45) 4525 3900 , mmor@dtu.dk
Mikkel Nørgaard Schmidt , Tlf. (+45) 4525 5270 , mnsc@dtu.dk
Michael Riis Andersen , Lyngby Campus, Bygning 321, Tlf. (+45) 4525 3409 , miri@dtu.dk
01 Institut for Matematik og Computer Science
I studieplanlæggeren

Kurset er kun for BSc i Kunstigintelligens og data
Overordnede kursusmål
At give deltagerne viden om og kompetencer indenfor
*Signal og data typer i intelligente systemer
*Representationer af signaler med fokus på billeder. lyd, video og tekst
*Signalbehandling og probabilistiske metoder til at fremhæve signaler og dæmpe støj og systematiske fejl
* Visualisering som værktøj til debugging og kommunikation af signalbehandling
* Python som et værktøj til sansning, repræsentation og analyse af signaler

Kurset giver deltagerne kompentencer til at arbejde med signaler i praktiske AI systemer
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • Kan beskrive the vigtigste trin involveret i signalbehandling fra sansning, repræsentation, rensning, adskillelse af signalkomponenter til kommunikation
  • Kan anvende signalbehandlingsbegreber som vektorrumsrepræsentationer, foldninger, rensning, signalseparation, og krydsvalidering.
  • Kan anvende probabilistiske beskrivelser af signalusikkerhed og støj
  • Kan diskutere karakteristika of typiske signaler i AI systemer: Visuelle scener, tale og formel og uformel tekst.
  • Kan anvende signalbehandling i billeder, lyd, video og tekst data.
  • Kan anvende signalbehandling med anvendelse af Python og Python notebooks.
  • Kan anvende visualisering til evaluering og kommunikation af signalbehandlingsresultater.
  • Kan identificere signalbehandlingsstrategier og metoder til givne signalbehandlingsproblemer.
  • Kan designe signaloptagelse og anvende signalbehandlingsmetoder på egne data og kommunikere resultatet.
Kursusindhold
Former for signaler der opstår i intelligente systemer (billeder, lyd, video, tekst). Vektorrumsrepræsentationer af billeder, lyd, video og tekst. Valg af basis til fremhævning af signaler og deres position. Linæer algebra for 1D og 2D foldninger. Probabilistiske modeller af signaler og støj. Adaptive basisfunktioner. Similaritetsmål og signaldetektion. Vekselvirkning med signaler og optagelse af metadata. Opsummeringer, histogrammer og evalueringer. Visualisering og fortolkning af signaler. Python AI værktøjer og notebooks
Litteraturhenvisninger
Noter, video og python notebooks
Sidst opdateret
12. juni, 2020