Celem przedmiotu jest wprowadzenie studentów do zaawansowanych metod przetwarzania sygnałów z elementami uczenia maszynowego. Po ukończeniu przedmiotu studenci powinni nabyć wiedzę (w ramach wykładu) oraz umiejętności (na pracowni specjalistycznej) pozwalające im na zaprojektowanie oraz zaimplementowanie zaawansowanych algorytmów przetwarzania sygnałów z użyciem oprogramowania wysokiego poziomu, np. MATLAB, Python lub R.

Wykład:
1. Wprowadzenie. Przykłady sygnałów EMG, EEG, EKG, IMU oraz audio.
2. Przetwarzanie wstępne sygnałów.
3. Wprowadzenie do filtrów adaptacyjnych oraz algorytmów separacji źródeł sygnału.
4. Kształtowanie wiązki.
5. Parametryzacja sygnałów oraz elementy uczenia maszynowego.
6. Automatyczne rozpoznawanie czynności.
7. Przetwarzanie sygnałów w zastosowaniach medycznych.
8. Obliczeniowa analiza scen dźwięku (CASA).
9. Pozyskiwanie informacji z muzyki (MIR).
10. Rozpoznawanie zdarzeń oraz scen dźwiękowych.
11. Przetwarzanie dźwięku przestrzennego.
12. Głębokie uczenie w inżynierii sygnałów.
13. Zastosowanie inteligentnego przetwarzania sygnałów do komponowania muzyki i tworzenia graficznych dzieł sztuki.
14. Współczesne trendy w przetwarzaniu sygnałów.

Pracownia specjalistyczna:
1. Opracowanie algorytmu uzdatniania i przetwarzania wstępnego sygnałów EMG, EEG, EKG, IMU lub audio.
2. Opracowanie algorytmu parametryzacji sygnałów do celów uczenia maszynowego.
3. Opracowanie algorytmu automatycznej klasyfikacji sygnałów na potrzeby np. rozpoznawania gestów, identyfikowania osób, rozpoznawania zdarzeń lub scen dźwiękowych, pozyskiwania informacji z muzyki.
4. Wykorzystanie algorytmów głębokiego uczenia do celów analizy, klasyfikacji i syntezy sygnałów.

metoda projektów,   pokaz,   programowanie z użyciem komputera,   wykład problemowy,   wykład informacyjny,  

Wykład - test pisemny.
Pracownia specjalistyczna - pisemne sprawozdanie ze zrealizowanych projektów i ich ustna obrona.

1. U. Zölzer (Ed.), DAFX: Digital Audio Effects, Wiley, 2011.
2. P. Porwik, Wybrane metody cyfrowego przetwarzania sygnałów z przykładami programów w Matlabie, Helion, 2016.
3. G. Richard, T. Virtanen, J.P. Bello, N. Ono and H. Glotin: Introduction to the special section on sound scene and event analysis. IEEE/ACM Trans. Audio Speech Lang. Process. 25(6), pp. 1169–1171, 2017.

1. K. Choi, G. Fazekas, K. Cho and M. Sandler: A Tutorial on Deep Learning for Music Information Retrieval. https://arxiv.org/abs/1709.04396 (available online), accessed in September, 2018.
2. D. Stowell, D. Giannoulis, E. Benetos, M. Lagrange, M.D. Plumbley: Detection and classification of acoustic scenes and events. IEEE Trans. Multimedia 17(10), pp. 1733–1746, 2015.