Studieninformation
Hintergrundbild
Druckversion  Sprachumschaltung
 

Modul 39-M-Inf-ADS Auditory Data Science

Fakultät

Modulverantwortliche/r

Turnus (Beginn)

Jedes Sommersemester

Leistungspunkte und Dauer

5 Leistungspunkte

Die Angaben zur Moduldauer finden Sie bei den Studiengängen, in denen das Modul verwendet wird.

Kompetenzen

Ziel ist die Vermittlung eines Überblicks sowie tieferer Zusammenhänge und Grundlagen im Bereich der Auditiven Displays, insbesondere zentraler Definitionen, Taxonomien, Ordnungssysteme und der konzeptuellen und praktischen Implementierung verschiedener Sonifikationstechniken.
Teilnehmer*innen erlernen Kriterien zur Auswahl von Sonifikationstechniken für konkrete Probleme sowie Richtlinien zur Parametrisierung von Sonifikationsverfahren. Durch zahlreiche Hörbeispiele wird das wissenschaftlich-analytische Hören mit Fokus auf Strukturdifferenzierung geschult. Darüberhinaus werden praktische Kompetenzen zur Sonifikation vermittelt, insbesondere Kenntnisse in der Programmiersprache SuperCollider sowie die Verwendung interaktiver Python Notebooks im NumPy/SciPy-Ökosystem zusammen mit Datenvisualisierungen und Methodenentwicklung als Python Code.

The goal is to give an overview and transfer knowledge of foundations and interrelations in the area of auditory displays, including key definitions, taxonomy, organization system and the conceptual and practical implementation of different sonification methods. Participants will learn criteria for the selection of sonification methods for given problems as well es guidelines for the parameterization of sonification methods. The scientific analytic listening competence will be developed and trained with help of many sonification examples, with focus on the discrimination of structures in sound. Furthermore participants will develop practical competences in sonification, including programming skills in the sound programming language SuperCollider and interactive coding in the NumPy/SciPy ecosystem, with visualizations and method development in python.

Lehrinhalte

Die Vorlesung führt in das Forschungsfeld Auditory Data Science ein, welches Data Mining und Audio Technology über Verfahren der Sonifikation, d.h. ‚Datenverklanglichung‘ verbindet. Klang wird als Medium zur explorativen Datenanalyse komplexer Daten verwendet, um Änderungen in Datenströmen zu verfolgen (Monitoring) oder Zeitserien zu unterscheiden, die nur durch Visualisierung allein nicht vollständig oder umfassend verstehbar sind. Das Ziel ist, Visualisierungs- und Sonifikationstechniken in Richtung multimodaler Datenperzeptualisierung für explorative Datenanaylse zu erweitern. Sonifikation, die systematische, reproduzierbare Repräsentation von Daten anhand von Klang ist dabei der Schlüssel zur Auditory Data Science und wird zunächst definiert und detailiert eingeführt. Anschließend werden die verschiedenden Sonifikationstechniken erarbeitet: Earcons, Auditory Icons, Audifikation, Parameter-Mapping Sonifikation, Modellbasierte Sonifikation und Wave Space Sonifikation. Darüberhinaus werden in der Vorlesung verschiedende Techniken des induktiven Data Minings, wie z.B. die Schätzung der intrinsischen Datendimension, der Clusterstruktur oder topologischer Eigenschaften erarbeitet, um sie in Sonifikationsprozesse einzubeziehen. Anhand ausgewählter real-world Beispiele auditiver Datenanalyse wird das Potenzial der Auditory Data Science betrachtet, z.B. aus dem Bereich medizinischer Daten für die Felder Diagnose, Monitoring und Therapie.

The lecture introduces into the research field of Auditory Data Science which connects Data Mining to Audio Technology via methods of Sonification, i.e., ‘auditory data representations’. Here, sound is the medium for exploratory data analysis of complex data, for monitoring changes in complex data streams, for discriminating complex time series that are difficult to understand from visualization alone, for supporting exploratory interactions with complex data, to enhance our insight into data by teaming up visualization and sonification towards multimodal data exploration or perceptualization. Sonification, the systematic, reproducible representation of data as sound is the key to auditory data
science and thus is first comprehensively introduced and defined. In turn, sonification techniques will be presented and discussed: Earcons, Auditory Icons, Audification, Parameter-Mapping Sonification, Model-based Sonification and Wave Space Sonification. Furthermore, selected techniques for inductive data mining, such as estimation of intrinsic dimensionality, topology or clustering of high-dimensional data will be introduced in order to use them within sonification processes. At hand of selected real-world examples for auditory data analysis we will discuss the potential of auditory data science, e.g. sonification of medical data for diagnosis, monitoring and therapy.

Empfohlene Vorkenntnisse

Nützlich aber nicht zwingend: Kenntnisse in Data Mining
Querbezüge zu: Introduction to Sound Synthesis, Ambient Interfaces

Nützlich aber nicht zwingend: Kenntnisse in Data Mining
Querbezüge zu: Introduction to Sound Synthesis, Ambient Interfaces

Notwendige Voraussetzungen

Erläuterung zu den Modulelementen

Modulstruktur: 1 bPr 1

Veranstaltungen

Titel Art Turnus Workload (Kontaktzeit + Selbststudium) LP2
Auditory Data Science Vorlesung SoSe 60h (30 + 30) 2 [Pr]
Übung zu Auditory Data Science Übung SoSe 60h (15 + 45) 2

Prüfungen

Organisatorische Zuordnung Art Gewichtung Workload LP2
Auditory Data Science (Vorlesung)

Mündliche Prüfung im Umfang von 15-20 Minuten oder schriftliche Klausur im Umfang von 60-90 Minuten über die Inhalte der Vorlesung.

oral examamination (15-25 min.) or written examination (60-90 min.) about the contents of the lecture

Klausur o. mündliche Prüfung 1 30h 1
Diese Leistung kann gemeldet und verbucht werden.

In diesen Studiengängen wird das Modul verwendet:

Studiengang Profil Empf. Beginn 3 Dauer Bindung 4
Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019 und 02.03.2020] Variante 1 2. ein Semes­ter Wahl­pflicht
Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019 und 02.03.2020] Variante 2 2. ein Semes­ter Wahl­pflicht
Intelligente Systeme / Master of Science [FsB vom 27.07.2018 mit Änderung vom 04.06.2020] 2. ein Semes­ter Wahl­pflicht
Naturwissenschaftliche Informatik / Master of Science [FsB vom 30.09.2016 mit Berichtigung vom 10.01.2017 und Änderungen vom 15.09.2017, 02.05.2018 und 04.06.2020] 2. ein Semes­ter Wahl­pflicht

Automatische Vollständigkeitsprüfung

In diesem Modul kann eine automatische Vollständigkeitsprüfung vom System durchgeführt werden.

Legende

1
Die Modulstruktur beschreibt die zur Erbringung des Moduls notwendigen Prüfungen und Studienleistungen.
2
LP ist die Abkürzung für Leistungspunkte.
3
Die Zahlen in dieser Spalte sind die Fachsemester, in denen der Beginn des Moduls empfohlen wird. Je nach individueller Studienplanung sind gänzlich andere Studienverläufe möglich und sinnvoll.
4
Erläuterungen zur Bindung: "Pflicht" bedeutet: Dieses Modul muss im Laufe des Studiums verpflichtend absolviert werden; "Wahlpflicht" bedeutet: Dieses Modul gehört einer Anzahl von Modulen an, aus denen unter bestimmten Bedingungen ausgewählt werden kann. Genaueres regeln die "Fächerspezifischen Bestimmungen" (siehe rechtes Menü).
SL
Studienleistung
Pr
Prüfung
bPr
Anzahl benotete Modul(teil)prüfungen
uPr
Anzahl unbenotete Modul(teil)prüfungen
Diese Leistung kann gemeldet und verbucht werden.
Diese Leistung kann gemeldet und verbucht werden.