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

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.