Wierk - Wydział Informatyki, Elektroniczne Ramy Kwalifikacji

Wydział Informatyki
Kierunek studiów	Informatyka							Poziom i forma studiów	pierwszego stopnia inżynierskie stacjonarne
Specjalność / Ścieżka dyplomowania	---							Profil kształcenia	ogólnoakademicki
Nazwa przedmiotu	Uczenie maszynowe w przetwarzaniu dźwięku							Kod przedmiotu	INF1UMD
								Rodzaj przedmiotu	obieralny
Forma zajęć i liczba godzin	W	Ć	L	P	Ps	T	S	Semestr	5
	26				30			Punkty ECTS	5
Przedmioty wprowadzające	Przetwarzanie sygnałów i obrazów (INF1PSO),
Cele przedmiotu	Wprowadzenie studentów do metod słyszenia maszynowego. Po ukończeniu zajęć w ramach niniejszego przedmiotu studenci będą w stanie scharakteryzować wybrane metody słyszenia maszynowego i zaimplementować je przy użyciu wysokopoziomowych języków programowania takich jak MATLAB lub Python. Odniesienie do standardu SFIA: - Uczenie maszynowe (MLNG) – poziom 3 - Sztuczna inteligencja (AI) i etyka danych (AIDE) – poziom 3
Treści programowe	Wykłady: 1. Przegląd metod i technik stosowanych w aplikacjach słyszenia maszynowego. 2. Metody analizy oraz syntezy dźwięku. 3. Metody parametryzacji i reprezentacji dźwięku na potrzeby uczenia maszynowego. 4. Rozpoznawanie mowy i mówcy. Automatyczne rozpoznawanie emocji mówcy. 5. Wydobywanie informacji z muzyki. 6. Automatyczna klasyfikacja zdarzeń dźwiękowych i scen akustycznych. 7. Analiza przestrzennych scen dźwiękowych. 8. Przegląd algorytmów generatywnych audio. 9. Zaliczenie wykładu. Pracowania specjalistyczna: 1. Implementacja metod przetwarzania wstępnego dźwięku. 2. Parametryzacja dźwięku. 3. Klasyfikacja zdarzeń dźwiękowych. 4. Projekt 1: Implementacja wybranego algorytmu z dziedziny rozpoznawania mowy, klasyfikacji dźwięku, wydobywania informacji muzycznej lub rozpoznawania emocji. 5. Projekt 2: Implementacja metody analizy lub przetwarzania dźwięku w czasie rzeczywistym. 6. Zaliczenie pracowni.
Metody dydaktyczne	programowanie z użyciem komputera, metoda projektów, wykład informacyjny,
Forma zaliczenia	Wykład: Test wyboru Pracowania specjalistyczna: Ocena sprawozdań. Prezentacja i ocena zrealizowanych projektów programistycznych.
Symbol efektu uczenia się	Zakładane efekty uczenia się								Odniesienie do kierunkowych efektów uczenia się
EU1	podstawowe pojęcia, metody i techniki z zakresu słyszenia maszynowego								INF1_W14
EU2	metody parametryzacji oraz reprezentacji sygnałów dźwiękowych na potrzeby uczenia maszynowego								INF1_W10 INF1_W14
EU3	najnowsze trendy w dziedzinie słyszenia maszynowego								INF1_W14
EU4	uzdatniać sygnały dźwiękowe								INF1_U13
EU5	parametryzować i reprezentować sygnały dźwiękowe na potrzeby uczenia maszynowego								INF1_U13
EU6	wykorzystywać biblioteki programistyczne wysokiego poziomu do analizy i przetwarzania dźwięku z użyciem metod uczenia maszynowego (e.g. MATLAB or Python)								INF1_U13
EU7	krytycznej oceny kwestii etycznych związanych ze współczesnymi metodami analizy i przetwarzania dźwięku								INF1_K01
Symbol efektu uczenia się	Sposób weryfikacji efektu uczenia się								Forma zajęć na której zachodzi weryfikacja
EU1	test wyboru								W
EU2	test wyboru								W
EU3	test wyboru								W
EU4	ocena sprawozdań, prezentacja i ocena zrealizowanych projektów programistycznych								Ps
EU5	ocena sprawozdań, prezentacja i ocena zrealizowanych projektów programistycznych								Ps
EU6	ocena sprawozdań, prezentacja i ocena zrealizowanych projektów programistycznych								Ps
EU7	ocena sprawozdań, prezentacja i ocena zrealizowanych projektów programistycznych								Ps
Bilans nakładu pracy studenta (w godzinach)									Liczba godz.
Wyliczenie
	1 - udziałem w wykładach								26
	2 - udziałem w innych formach zajęć (pracownia specjalistyczna)								30
	3 - indywidualnym wsparciem merytorycznym procesu uczenia się, udziałem w egzaminie/zaliczeniach organizowanych poza planem zajęć								4
	4 - przygotowaniem do zaliczenia wykładu								5
	5 - przygotowaniem do bieżących zajęć								60
RAZEM:									125
Wskaźniki ilościowe									GODZINY	ECTS
Nakład pracy studenta związany z zajęciami wymagającymi bezpośredniego udziału nauczyciela									60 (1)+(2)+(3)	2.4
Nakład pracy studenta związany z zajęciami o charakterze praktycznym									30 (2)	1.2
Literatura podstawowa	1. U. Zölzer, DAFX: Digital Audio Effects, Wiley, 2011 2. W. Wang, Machine Audition: Principles, Algorithms and Systems. Information science reference. New York, 2010 3. D. L. Wang and G. J. Brown. Computational auditory scene analysis: Principles, algorithms and applications. IEEE Press/Wiley-Interscience, 2006 4. A. Bregman, Auditory Scene Analysis. Cambridge: MIT Press, 1990
Literatura uzupełniająca	1. K. Steiglitz, A Digital Signal Processing Primer: with Applications to Digital Audio and Computer Music, Dover Publications, 2020 2. C.L. Bennett, Digital Audio Theory: A Practical Guide, Focal Press, 2020 3. Z. Raś and A. Wieczorkowska, Advances in Music Information Retrieval. Studies in Computational Intelligence, Springer-Verlag, Berlin, 2010
Jednostka realizująca	Katedra Mediów Cyfrowych i Grafiki Komputerowej								Data opracowania programu
Program opracował(a)	dr hab. inż. Sławomir Zieliński								2025.02.23