Achtung ! Wegen eines Fehlers wird derzeit der Studienbeitragsstatus und somit auch der Fortmeldungsstatus falsch angezeigt. An der Behebung des Fehlers wird gearbeitet. Wir danken für Ihr Verständnis!

389.111 Graphische Modelle in der Signalverarbeitung und Übertragungstechnik
Diese Lehrveranstaltung ist in allen zugeordneten Curricula Teil der STEOP.
Diese Lehrveranstaltung ist in mindestens einem zugeordneten Curriculum Teil der STEOP.

2020S, VO, 2.0h, 3.0EC

Merkmale

  • Semesterwochenstunden: 2.0
  • ECTS: 3.0
  • Typ: VO Vorlesung

Lernergebnisse

Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage, Methoden aus den Bereichen probabilistische graphische Modelle und Graphsignalverarbeitung auf praktische Ingenieursprobleme anzuwenden; dies umfasst die Problemformulierung, die analytische oder numerische  Lösung, und die qualitative und quantitative Beschreibung der Leistungsfähigkeit dieser Lösungen.

Inhalt der Lehrveranstaltung

  • Grundlagen der Wahrscheinlichkeits- und Graphentheorie
  • Anwendungen
  • Probabilistische graphische Modelle (Bayes'sche Netze, Markoffsche Zufallsfelder, Faktorgraphen, ...)
  • Methoden und Algorithmen zur Inferenz
    • message passing, belief propagation
    • Variationsansätze
  • Graphsignalverarbeitung
    • Graph-Fourier-Transformation
    • Graph-Filter
    • Signalrekonstruktion
    • Lernen von Graphen
    • stochastische Graphsignale
    • Clustering

Methoden

Klassische Vorlesung an der Tafel unter Zuhilfenahme elektronischer Präsentationsmittel.

Prüfungsmodus

Mündlich

Weitere Informationen

Ort: SEM 389 (Raumnr. CG0118) des Institute of Telecommunications.

Zeit: Dienstag, 13:00-15:00 Uhr (erste Vorlesung am 5. März 2019)

Vortragende

Institut

LVA Termine

TagZeitDatumOrtBeschreibung
Di.13:00 - 15:0003.03.2020 - 23.06.2020Sem 389, CG0118 Vorlesung
Di.12:00 - 14:0002.06.2020Sem 389, CG0118 Vorlesung
Graphische Modelle in der Signalverarbeitung und Übertragungstechnik - Einzeltermine
TagDatumZeitOrtBeschreibung
Di.03.03.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.10.03.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.17.03.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.24.03.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.31.03.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.21.04.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.28.04.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.05.05.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.12.05.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.19.05.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.26.05.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.02.06.202012:00 - 14:00Sem 389, CG0118 Vorlesung
Di.09.06.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.16.06.202013:00 - 15:00Sem 389, CG0118 Vorlesung
Di.23.06.202013:00 - 15:00Sem 389, CG0118 Vorlesung

Leistungsnachweis

mündliche Prüfung

LVA-Anmeldung

Nicht erforderlich

Curricula

StudienkennzahlSemesterAnm.Bed.Info
710 FW Freie Wahlfächer - Elektrotechnik

Literatur

Ein Vorlesungsskriptum ist vorhanden.

Weitere Literatur:

  • Daphne Koller and Nir Friedman, "Probabilistic Graphical Models", MIT Press 2009
  • Michael Jordan (Ed.), "Learning in Graphical Models", Kluwer 1998
  • Christopher M. Bishop, "Pattern Recognition and Machine Learning", Springer 2006
  • Petar Djuric and Cedric Richard (Eds.), "Cooperative and Graph Signal Processing", Elsevier 2018

Vorkenntnisse

Wahrscheinlichkeitstheorie und Zufallsvariable

Sprache

Englisch