UnivIS
Informationssystem der Friedrich-Alexander-Universität Erlangen-Nürnberg © Config eG 
FAU Logo
  Sammlung/Stundenplan    Modulbelegung Home  |  Rechtliches  |  Kontakt  |  Hilfe    
Suche:      Semester:   
 
 Darstellung
 
Druckansicht

 
 
Modulbeschreibung (PDF)

 
 
 Außerdem im UnivIS
 
Vorlesungs- und Modulverzeichnis nach Studiengängen

Vorlesungsverzeichnis

 
 
Veranstaltungskalender

Stellenangebote

Möbel-/Rechnerbörse

 
 

Music Processing Analysis - Lecture & Exercise (MPA-LE)5 ECTS
(englische Bezeichnung: Music Processing Analysis - Lecture & Exercise)

Modulverantwortliche/r: Meinard Müller
Lehrende: Meinard Müller


Startsemester: WS 2015/2016Dauer: 1 SemesterTurnus: jährlich (WS)
Präsenzzeit: 60 Std.Eigenstudium: 90 Std.Sprache: Englisch

Lehrveranstaltungen:


Empfohlene Voraussetzungen:

In this course, we discuss a number of current research problems in music processing or music information retrieval (MIR) covering aspects from information science and digital signal processing. We provide the necessary background information and give numerous motivating examples so that no specialized knowledge is required. However, the students should have a solid mathematical background. The lecture is accompanied by readings from textbooks or the research literature. Furthermore, the students are required to experiment with the presented algorithms using MATLAB.

Inhalt:

Music signals possess specific acoustic and structural characteristics that are not shared by spoken language or audio signals from other domains. In fact, many music analysis tasks only become feasible by exploiting suitable music-specific assumptions. In this course, we study feature design principles that have been applied to music signals to account for the music-specific aspects. In particular, we discuss various musically expressive feature representations that refer to musical dimensions such as harmony, rhythm, timbre, or melody. Furthermore, we highlight the practical and musical relevance of these feature representations in the context of current music analysis and retrieval tasks. Here, our general goal is to show how the development of music-specific signal processing techniques is of fundamental importance for tackling otherwise infeasible music analysis problems.

Lernziele und Kompetenzen:


Fachkompetenz
Verstehen
  • Die Studierenden stellen zentrale Aufgabenstellungen der Musikverarbeitung in eigenen Worten dar und skizzieren Lösungsansätze.
  • Die Studierenden verstehen die Eigenschaften von unterschiedlichen Darstellungsformen von Musik.

  • Die Studierenden interpretieren Signaleigenschaften anhand von Visualisierungen (Exercise).

Anwenden
  • Die Studierenden wenden grundlegende Algorithmen zur Analyse und zum Vergleich von Musiksignalen an.
  • Die Studierenden können voraussagen, wie sich unterschiedliche musikalische Eigenschaften bei der Signalanalyse auswirken.

  • Die Studierenden implementieren Algorithmen zur Analyse, zum Vergleich und zur inhaltsbasierten Suche von Musiksignalen (Exercise).

Analysieren
  • Die Studierenden beobachten und diskutieren die Bedeutung und Auswirkung von Parametern bei der Musikanalyse.
  • Die Studierenden stellen unterschiedliche Verfahren bei der Analyse von Periodizitäten gegenüber.

  • Die Studierenden analysieren und erforschen Eigenschaften von Musiksignalen mittels automatisierter Methoden (Exercise).

  • Die Studierenden klassifieren und strukturieren Musikdaten mittels Lernverfahren (Exercise).

Evaluieren (Beurteilen)
  • Die Studierenden hinterfragen Annahmen, die implizit bei der Verwendung von Analysemethoden gemacht werden.
  • Die Studierenden schätzen ein, wann Methoden bei der Analyse von gewissen Musiksignalen funktionieren könnten und wann sie typischerweise versagen.

  • Die Studierenden evaluieren automatisierte Methoden mittels geeigneter Evaluationsmaße unter Verwendung von manuell erstellten Annotationen (Exercise).

Erschaffen
  • Die Studierenden entwerfen neue Algorithmen zur Musikanalyse durch Modifikation und Integration bestehender Software (Exercise).
Lern- bzw. Methodenkompetenz
  • Die Studierenden bereiten sich auf die Vorlesung anhand ausgewählter Literatur vor.
  • Die Studierenden hinterfragen bestehende Ansätze hinsichtlich ihrer Anwendbarkeit in der Praxis.

  • Die Studierenden beachten Fragen der Effizienz bei den diskutierten Algorithmen.

  • Die Studierenden entwickeln praktische Lösungswege für Problem in der Musikverarbeitung (Exercise)

Selbstkompetenz
  • Die Studierenden hinterfragen ihr Verständnis von dem Gelernten anhand von Übungsaufgaben.
  • Die Studierenden formulieren Fragen und stellen diese in der Vorlesung an den Dozenten und die Zuhörerschaft.

  • Die Studierenden nutzen Verbesserungshinweise des Betreuers und der Tutoren zur Verbesserung ihrer Lernstrategien (Exercise).

Sozialkompetenz
  • Die Studierenden organisieren selbständig Lerngruppen, in denen der Stoff diskutiert und vertieft wird.
  • Die Studierenden simulieren mit ihren Kommilitonen mündliche Prüfungen.

  • Die Studierenden entwickeln und implementieren Software im Team (Exercise).

  • Die Studierenden geben Kommilitonen im Rahmen ihrer Zusammenarbeit wertschätzendes Feedback (Exercise).


Weitere Informationen:

Schlüsselwörter: Audio, Music, Signal Processing, Fourier Transform, Feature Design, Fingerprinting, Beat Tracking, Music Information Retrieval, AudioLabs
www: http://www.audiolabs-erlangen.de/fau/professor/mueller/teaching/ws2015_mpa

Verwendbarkeit des Moduls / Einpassung in den Musterstudienplan:
Das Modul ist im Kontext der folgenden Studienfächer/Vertiefungsrichtungen verwendbar:

  1. Informatik (Bachelor of Arts (2 Fächer))
    (Po-Vers. 2010 | Vertiefung Informatik I und II | Vertiefungsmodul Medieninformatik)
  2. Informatik (Bachelor of Arts (2 Fächer))
    (Po-Vers. 2010 | Vertiefung Informatik I und II | Vertiefungsmodul Mustererkennung)
  3. Informatik (Bachelor of Arts (2 Fächer))
    (Po-Vers. 2013 | Vertiefung Informatik I und II | Vertiefungsmodul Medieninformatik)
  4. Informatik (Bachelor of Arts (2 Fächer))
    (Po-Vers. 2013 | Vertiefung Informatik I und II | Vertiefungsmodul Mustererkennung)
  5. Informatik (Bachelor of Science)
    (Po-Vers. 2009s | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsmodul Medieninformatik)
  6. Informatik (Bachelor of Science)
    (Po-Vers. 2009s | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsmodul Mustererkennung)
  7. Informatik (Bachelor of Science)
    (Po-Vers. 2009w | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsmodul Medieninformatik)
  8. Informatik (Bachelor of Science)
    (Po-Vers. 2009w | Wahlpflichtbereich (5. und 6. Semester) | Wahlpflichtmodule | Vertiefungsmodul Mustererkennung)
  9. Informatik (Master of Science)
    (Po-Vers. 2010 | Wahlpflichtbereich | Säule der anwendungsorientierten Vertiefungsrichtungen | Vertiefungsmodul Medieninformatik)
  10. Informatik (Master of Science)
    (Po-Vers. 2010 | Wahlpflichtbereich | Säule der anwendungsorientierten Vertiefungsrichtungen | Vertiefungsmodul Mustererkennung)
  11. Mathematik (Bachelor of Science)
    (Po-Vers. 2015w | Module des Nebenfachs | Nebenfach Informatik | Vertiefungsmodule | Vertiefungsmodul Medieninformatik)
  12. Mathematik (Bachelor of Science)
    (Po-Vers. 2015w | Module des Nebenfachs | Nebenfach Informatik | Vertiefungsmodule | Vertiefungsmodul Mustererkennung)

Studien-/Prüfungsleistungen:

Music Processing Analysis - Lecture & Exercise (Prüfungsnummer: 639119)

(englischer Titel: Music Processing Analysis - Lecture & Exercise)

Prüfungsleistung, mündliche Prüfung, Dauer (in Minuten): 30, benotet
Anteil an der Berechnung der Modulnote: 100.0 %
weitere Erläuterungen:
Eine erfolgreiche Teilnahme an den Übungen ist Voraussetzung für die Zulassung zur Prüfung.

Erstablegung: WS 2015/2016, 1. Wdh.: SS 2016
1. Prüfer: Meinard Müller

UnivIS ist ein Produkt der Config eG, Buckenhof