Universität Wien

160015 UE Analysis of Audio and Listening Experiment Data in Python (2023W)

Continuous assessment of course work

Registration/Deregistration

Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).

Details

max. 30 participants
Language: German

Lecturers

Classes (iCal) - next class is marked with N

  • Monday 02.10. 15:00 - 16:30 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Monday 09.10. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Monday 23.10. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Monday 06.11. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Monday 20.11. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Monday 04.12. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Monday 08.01. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01
  • Monday 22.01. 15:00 - 18:15 Hörsaal 2 Musikwissenschaft UniCampus Hof 9, 3G-EG-01

Information

Aims, contents and method of the course

Diese Übung stellt in der Praxis eine Reihe methodischer Werkzeuge vor, welche zur Durchführung eigener kleiner (Forschungs-)Projekte aus dem Bereich der Klangwahrnehmungsforschung - auf Basis musikpsychologischer Hörversuche und Techniken der digitalen Klanganalyse - eingesetzt werden können. Der Schwerpunkt der methodischen Infrastruktur liegt dabei auf der Auswertung der Daten mithilfe wissenschaftlicher Skripte innerhalb der Programmiersprache Python.

Die Programmiersprache Python ist in diesem Zusammenhang nicht nur eine gute Grundlage um flexible Forschungsskripte für wiederkehrende Datenauswertungsfragen zu erstellen, sondern bildet insbesondere auch eine Schnittstelle zu einer umfangreichen und sich stetig erweiternden Landschaft von Neuentwicklungen aus den Bereichen Music Information Retrieval, Data Science und Machine Learning, welche für die eigene musikwissenschaftliche Forschung genutzt werden können.

Die behandelten Themen umfassen etwa:
* Einführung in Python als Werkzeug für Datenauswertungen
* Erstellung von (Online-)Hörversuchen mittels LimeSurvey
* Verfahren und Tools zur Extraktion von Merkmalen aus Audiosignalen
* Deskriptive Auswertung und Visualisierung der Klangdaten
* Durchführung statistischer Testverfahren in Python
* Modellierung und Grundlagen des Machine Learnings

Die Übung kann damit insbesondere als vertiefende Begleitveranstaltung zum - terminlich im Wechsel angebotenen - Seminar "Musikpsychologische Wahrnehmungsdimensionen - Empirische Datenerhebung und Klanganalyse" dienen. Alternativ kann die Übung aber (auch von Bachelor-Studierenden) für sich alleine besucht werden und dabei insbesondere als eine methodische Vorbereitung für selbstständige Projekte oder potenzielle Abschlussarbeiten dienen, in denen Sie mit empirischen Daten arbeiten möchten (u.a. aus dem Bereich der Musikpsychologie, musikalischen Akustik oder Musikinformatik).

Assessment and permitted materials

Die Leistungskontrolle erfolgt auf Basis regelmäßiger Hausübungen und einem schriftlichen Übungstest (ohne Hilfsmittel).

Minimum requirements and assessment criteria

Regelmäßige Anwesenheit und aktive Mitarbeit (auf einem eigenem Laptop) in den Übungseinheiten wird vorausgesetzt. Die Gesamtnote setzt sich aus der Beurteilung der Hausübungen sowie dem schriftlichen Übungstest zusammen.

Examination topics

Stoff sind die in den Übungseinheiten praktisch behandelten Themen (s.o.). Nähere Details werden zu den jeweiligen Hausübungen bzw. vor dem Test erläutert.

Reading list

Baur, N., & Blasius, J. (Eds.). (2014). Handbuch Methoden der empirischen Sozialforschung. Wiesbaden: Springer VS.

Bogdanov, D., Wack, N., Gómez Gutiérrez, E., Gulati, S., Boyer, H., Mayor, O., Roma, G., Salamon, J., Zapata, J. & Serra, X. (2013). Essentia: An audio analysis library for music information retrieval. In Britto A, Gouyon F, Dixon S, editors. 14th Conference of the International Society for Music Information Retrieval (ISMIR), 2013 Nov 4-8; Curitiba, Brazil, p. 493-8.

Bortz, J. & Döring, N. (2002). Forschungsmethoden und Evaluation. Berlin: Springer

McFee, B., Raffel, C., Liang, D., Ellis, D. P., McVicar, M., Battenberg, E., & Nieto, O. (2015). librosa: Audio and music signal analysis in python. In Proceedings of the 14th python in science conference (Vol. 8, pp. 18-25).

Molin, S., & Jee, K. (2021). Hands-On Data Analysis with Pandas: A Python data science handbook for data collection, wrangling, analysis, and visualization. Packt Publishing Ltd.

Nelli, F. (2015). Python data analytics: Data analysis and science using PANDAs, Matplotlib and the Python Programming Language. Apress.

Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., ... & Van Mulbregt, P. (2020). SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature methods, 17(3), 261-272.

Association in the course directory

BA: SYS-V, INT, FRE
MA (2008): M02, M03, M05, M09, M17
MA (2022): E.SYS, H.SYS, S.SYS

Last modified: Mo 25.09.2023 16:27