227-0427-00L Signal Analysis, Models, and Machine Learning
| Semester | Herbstsemester 2020 |
| Dozierende | H.‑A. Loeliger |
| Periodizität | jährlich wiederkehrende Veranstaltung |
| Lehrveranstaltung | Findet dieses Semester nicht statt. |
| Lehrsprache | Englisch |
| Kommentar | This course has been replaced by "Introduction to Estimation and Machine Learning" (autumn semester) and "Advanced Signal Analysis, Modeling, and Machine Learning" (spring semester). |
Lehrveranstaltungen
| Nummer | Titel | Umfang | Dozierende | |
|---|---|---|---|---|
| 227-0427-00 G | Signal Analysis, Models, and Machine Learning Findet dieses Semester nicht statt. This course has been replaced by "Introduction to Estimation and Machine Learning" (autumn semester) and "Advanced Signal Analysis, Modeling, and Machine Learning" (spring semester) | 4 Std. | H.‑A. Loeliger |
Katalogdaten
| Kurzbeschreibung | Mathematical methods in signal processing and machine learning. I. Linear signal representation and approximation: Hilbert spaces, LMMSE estimation, regularization and sparsity. II. Learning linear and nonlinear functions and filters: neural networks, kernel methods. III. Structured statistical models: hidden Markov models, factor graphs, Kalman filter, Gaussian models with sparse events. |
| Lernziel | The course is an introduction to some basic topics in signal processing and machine learning. |
| Inhalt | Part I - Linear Signal Representation and Approximation: Hilbert spaces, least squares and LMMSE estimation, projection and estimation by linear filtering, learning linear functions and filters, L2 regularization, L1 regularization and sparsity, singular-value decomposition and pseudo-inverse, principal-components analysis. Part II - Learning Nonlinear Functions: fundamentals of learning, neural networks, kernel methods. Part III - Structured Statistical Models and Message Passing Algorithms: hidden Markov models, factor graphs, Gaussian message passing, Kalman filter and recursive least squares, Monte Carlo methods, parameter estimation, expectation maximization, linear Gaussian models with sparse events. |
| Skript | Lecture notes. |
| Voraussetzungen / Besonderes | Prerequisites: - local bachelors: course "Discrete-Time and Statistical Signal Processing" (5. Sem.) - others: solid basics in linear algebra and probability theory |
Leistungskontrolle
| Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird) | |
Leistungskontrolle als Semesterkurs | |
| ECTS Kreditpunkte | 6 KP |
| Prüfende | H.-A. Loeliger |
| Form | Sessionsprüfung |
| Prüfungssprache | Englisch |
| Repetition | Die Leistungskontrolle wird in jeder Session angeboten. Die Repetition ist ohne erneute Belegung der Lerneinheit möglich. |
| Prüfungsmodus | mündlich 30 Minuten |
| Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan. | |
Lernmaterialien
| Keine öffentlichen Lernmaterialien verfügbar. | |
| Es werden nur die öffentlichen Lernmaterialien aufgeführt. |
Gruppen
| Keine Informationen zu Gruppen vorhanden. |
Einschränkungen
| Keine zusätzlichen Belegungseinschränkungen vorhanden. |
