At give deltagerne viden om:
- Fundementale og udbredte signalbehandlingsmetoder
- Matlab eller Python som et værktøj til udvikling af signal behandlings algoritmer
Kurset gør deltagerne i stand til at udlede og bygge moderne signalbehandlingssystemer baseret på maskinlæring. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Forklare, anvende og analysere egenskaber af diskrettids signalbehandlingssystemer
• Anvende short time Fourier transform til at beregne spektrogram af et signal og analysere indhold
• Forklare compressed sensing og bestemme de relevante parametre i applikationer
• Udlede og bestemme hvordan faktor modeller kan anvendes, som for eksempel ikke-negativ matrix faktorisering (NMF), uafhænging komponent analyse (ICA) og sparse kodning
• Udlede og anvende korrelationsfunktioner for forskellige klasser af signaler, særligt for stokastiske signaler
• Analysere filtreringsproblemer og demonstrerer anvendelsen af least squares filtrer komponenter som Wiener filter
• Beskrive, anvende og udlede ulinære signalbehandlingsmetoder som reproducerende kernel Hilbert rum på problemer som denoising
• Udled maksimum likelihood estimater og anvend EM algoritmen til at lære model parametre
• Beskrive, anvende og udlede state-space modeller som Kalman filter og skjulte Markov modeller
• Brug et programmeringssprog til at løse signalbehandlingsproblemer og fortolk resultaterne.
• Design af simple signalbehandlingssystemer baseret på analyse af signal egenskaber, formålet af systemet og brug af værktøjerne gennemgået i kurset
• Beskriv et antal signalbehandlings applikationer og fortolk resultaterne

Kursusindhold vil varierer fra år til år, men typisk vil disse moduler blive gennemgået

- Linear time-invariant systems, Decomposition of signals, DTFT
- Window functions, STFT, Spectrogram
- Independent component analysis, Non-negative matrix factorization
- Stochastic processes, correlation functions, Wiener filter, linear prediction
- Stochastic gradient descent, least mean squares adaptive algorithm, Recursive least squares
- State-space modeller (Kalman filters, Hidden Markov models)
- Sparse aware sensing (lasso, sparse priors), compressed sensing, dictionary learning
- Kernel methods (Kernel ridge regression, Support vector regression) Machine Learning - A Bayesian and Optimization Perspective 2nd edition, Sergios Theodoridis 23. oktober, 2020