Maschinelles Lernen in der Signalverarbeitung

Titelbild des Kurses
Institute of Physics | semesterübergreifend Maschinelles Lernen in der Signalverarbeitung

Modul "Vertiefung Mobile Nachrichtensysteme" (ET-12 10 17)

Die Vorlesungen und Übungen im Wintersemester 2024/2025 finden bis auf weiteres in Präsenz statt.

 

Übung: Dienstag (jede 2. Woche) 2.DS in BAR/I86C/U

Vorlesung: Freitag 2. DS in BAR/I86C/U

Wir wollen unsere Vorlesung und Übung verbessern. Bitte nehmen Sie sich ein paar Minuten und füllen Sie die folgenden anonymen Fragebögen für Übung und Vorlesung aus:

Übung: https://befragung.zqa.tu-dresden.de/uz/de/sl/35a9swZw0Yx6

Vorlesung: https://befragung.zqa.tu-dresden.de/uz/de/sl/VQWbZ7K6W3HC

Vorlesungsinhalt

Diese Vorlesung ist eine Einführung in das statistische maschinelle Lernen und dessen Anwendungen für moderne Signalverarbeitungsprobleme. Die Vorlesung konzentriert sich auf die Designprinzipien von maschinellen Lernalgorithmen.

Zuerst werden wir grundlegende Methoden für Regression und Klassifizierung untersuchen: lineare Regression, logistische Regression und den k-Nearest-Neighbor Algorithmus. Anhand dieser Beispiele werden wir den grundlegenden Tradeoff zwischen der Flexibilität eines Modells und seiner Generalisierungsfähigkeit diskutieren. Wir werden Eigenschaften des Lernen in hochdimensionalen Räumen im Vergleich mit dem Lernen in niedrigdimensionalen Räumen untersuchen.

Des Weiteren werden wir Methoden untersuchen, die helfen, lineare Modelle flexibel zu machen: Polynome und Splines. Wir werden Wavelets als strukturierte Signaldarstellungen behandeln und die Bedeutung von Sparsity in der Signaldarstellungen diskutieren. Dies wird uns zu Compressed Sensing und zu anderen modernen Verfahren zur Signalentrauschung, -rekonstruktion und -kompression führen. Wir werden einen Überblick über Schlüsselkonzepte der konvexen Optimierung geben und Support-Vektor-Maschinen behandeln.

Der letzte Teil der Vorlesung konzentriert sich auf neuronale Netze, den Backpropagation-Algorithmus und Deep Learning.

Um der schnellen Entwicklung im Rahmen des breiten Bereichs der Materialwissenschaft Rechnung zu tragen, wird dieses Modul durch Vorlesungen von Experten mit einem aktuellen Forschungsfeld im Bereich der modernen Funktionsmaterialien gestaltet. Das Oberseminar ergänzt die Vorlesungen zu ausgewählten speziellen Themen, den zugrundeliegenden chemischen und physikalischen Vorgängen in bzw. am Material, dessen Herstellung und Charakterisierung mit dem Fokus auf Struktur-Eigenschaftsbeziehungen sowie die Strategien zur Optimierung der Materialien. Die Studierenden trainieren im Oberseminar die Arbeit mit materialwissenschaftlicher Primärliteratur und das Präsentieren eines komplexen wissenschaftlichen Themas. 

Die Studierenden erlangen gefestigte Kenntnisse in der Ausarbeitung und Präsentation wis- senschaftlicher Themenstellungen und im wissenschaftlichen Diskurs über diese Themen. Sie lernen, sich schnell und gründlich in unbekannte Themenbereiche einzuarbeiten und erlangen Einblicke in weiterführende Fachgebiete der Chemie und Physik.

Addressing the rapid development within the broad field of materials science, this module comprises lectures by experts within a current field of research in advanced functional materials. The Oberseminar complements those lectures on selected specific topics, the underlying chemical and physical processes in or on the material, and its fabrication and characterization. The focus is on structure-property relationships and on the strategies to optimize the materials. In the Oberseminar, students practice working with primary literature in materials science and presenting a complex scientific topic. 

The students acquire consolidated knowledge in the elaboration and presentation of scientific topics and in the scientific discourse on these topics. They learn to familiarize themselves quickly and thoroughly with unfamiliar topics and gain insights into more advanced fields of chemistry and physics.

Informationen zum Zugang
  • Dieser Inhalt ist für Sie unter der folgenden Bedingung freigegeben: Institution enthält den Wert TU Dresden

Für Zugang zum Kurs bitte bei Opal anmelden.
Please log into Opal to enroll in the course.