Helmut Bölcskei: Catalogue data in Autumn Semester 2020

Name	Prof. Dr. Helmut Bölcskei
Field	Mathematical Information Science
Address	Professur Math. Informationswiss. ETH Zürich, ETF E 122 Sternwartstrasse 7 8092 Zürich SWITZERLAND
Telephone	+41 44 632 34 33
E-mail	hboelcskei@ethz.ch
URL	https://www.mins.ee.ethz.ch/people/show/boelcskei
Department	Information Technology and Electrical Engineering
Relationship	Full Professor

Number	Title	ECTS	Hours	Lecturers
227-0045-00L	Signals and Systems I	4 credits	2V + 2U	H. Bölcskei
Abstract	Signal theory and systems theory (continuous-time and discrete-time): Signal analysis in the time and frequency domains, signal spaces, Hilbert spaces, generalized functions, linear time-invariant systems, sampling theorems, discrete-time signals and systems, digital filter structures, Discrete Fourier Transform (DFT), finite-dimensional signals and systems, Fast Fourier Transform (FFT).
Learning objective	Introduction to mathematical signal processing and system theory.
Content	Signal theory and systems theory (continuous-time and discrete-time): Signal analysis in the time and frequency domains, signal spaces, Hilbert spaces, generalized functions, linear time-invariant systems, sampling theorems, discrete-time signals and systems, digital filter structures, Discrete Fourier Transform (DFT), finite-dimensional signals and systems, Fast Fourier Transform (FFT).
Lecture notes	Lecture notes, problem set with solutions.
227-0085-18L	Projects & Seminars: Bits on Air Only for Electrical Engineering and Information Technology BSc. The course unit can only be taken once. Repeated enrollment in a later semester is not creditable.	2 credits	2P	H. Bölcskei
Abstract	The category of "Laboratory Courses, Projects, Seminars" includes courses and laboratories in various formats designed to impart practical knowledge and skills. Moreover, these classes encourage independent experimentation and design, allow for explorative learning and teach the methodology of project work.
Learning objective	Täglich sind wir mit digitaler Nachrichtenübertragung konfrontiert, sei es beim Fernsehen, beim Mobiltelefon oder bei der Internet-Nutzung. Um die Funktionsweise dieser Systeme kennenzulernen, sollen in diesem P&S-Kurs die Grundzüge der Digitalkommunikation vermittelt werden. Auf herkömmlichen PCs werden dazu selber geschriebene Software-Modems implementiert. Diese Modems bestehen genau wie die in der Wirklichkeit verwendeten digitalen Kommunikationssysteme aus einem Modulator, einem Demodulator und einem Algorithmus zur Synchronisation des Trägers der eintreffenden Nachricht. Einmal implementiert, können mit Hilfe dieser Modems akustisch beliebige Daten (z.B. kleine Textdateien) zwischen verschiedenen PCs übertragen werden. Zum Programmieren wird MATLAB verwendet. MATLAB-Kenntnisse werden nicht vorausgesetzt. Vielmehr ist das Ziel dieses P&S-Kurses, neben dem Kennenlernen der Grundlagen der Digitalkommunikation auch das Programmieren mit MATLAB zu üben. Die Daten der Nachmittage können der Bits on Air-Homepage entnommen werden. Absenzen werden nur in begründeten Ausnahmefällen erlaubt. Der verpasste Stoff muss selbstständig nachgeholt und in einem kurzen Bericht zusammengefasst werden.
227-0085-19L	Projects & Seminars: Software Defined Radio Only for Electrical Engineering and Information Technology BSc. The course unit can only be taken once. Repeated enrollment in a later semester is not creditable.	3 credits	3P	H. Bölcskei
Abstract	The category of "Laboratory Courses, Projects, Seminars" includes courses and laboratories in various formats designed to impart practical knowledge and skills. Moreover, these classes encourage independent experimentation and design, allow for explorative learning and teach the methodology of project work.
Learning objective	Drahtlose Übermittlung von Informationen über Funk ist heute allgegenwärtig. Je nach Anwendung und Frequenzbereich werden dabei verschiedene Modulationsarten benutzt, wobei digitale Verfahren weitgehend die alten analogen Verfahren abgelöst haben. Tools für Software Defined Radio (SDR) ermöglichen es, mit relativ kleinem Aufwand in diese Welt einzutauchen und “auf den Wellen zu surfen”. Durch schnellere Computer wird es möglich, dass immer komplexere Signalverarbeitung in Sendern und Empfängern auf einem Rechner erfolgen können. Dabei können die Algorithmen sehr flexibel und schnell angepasst und verändert werden. In diesem P&S werden wir uns näher anschauen, wie dies funktioniert und was dahintersteckt. Dazu erarbeiten wir uns in einem ersten Teil Grundlagen zu Frequenzen, Spektren, Modulationsarten, Signalverarbeitung, u.s.w. Im zweiten Teil werden wir in Gruppen verschiedene Projekte mit SDR-Tools erarbeiten. Dabei können auch eigene Ideen eingebracht werden. Am Schluss werden die Projekte in einer Präsentation den anderen Teilnehmern vorgestellt.
227-0423-00L	Neural Network Theory	4 credits	2V + 1U	H. Bölcskei
Abstract	The class focuses on fundamental mathematical aspects of neural networks with an emphasis on deep networks: Universal approximation theorems, basics of approximation theory, fundamental limits of deep neural network learning, geometry of decision surfaces, capacity of separating surfaces, dimension measures relevant for generalization, VC dimension of neural networks.
Learning objective	After attending this lecture, participating in the exercise sessions, and working on the homework problem sets, students will have acquired a working knowledge of the mathematical foundations of (deep) neural networks.
Content	1. Universal approximation with single- and multi-layer networks 2. Introduction to approximation theory: Fundamental limits on compressibility of signal classes, Kolmogorov epsilon-entropy of signal classes, non-linear approximation theory 3. Fundamental limits of deep neural network learning 4. Geometry of decision surfaces 5. Separating capacity of nonlinear decision surfaces 6. Dimension measures: Pseudo-dimension, fat-shattering dimension, Vapnik-Chervonenkis (VC) dimension 7. Dimensions of neural networks 8. Generalization error in neural network learning
Lecture notes	Detailed lecture notes will be provided.
Prerequisites / Notice	This course is aimed at students with a strong mathematical background in general, and in linear algebra, analysis, and probability theory in particular.
401-5680-00L	Foundations of Data Science Seminar	0 credits		P. L. Bühlmann, A. Bandeira, H. Bölcskei, J. M. Buhmann, T. Hofmann, A. Krause, A. Lapidoth, H.‑A. Loeliger, M. H. Maathuis, G. Rätsch, C. Uhler, S. van de Geer, F. Yang
Abstract	Research colloquium
Learning objective