SNY har ordet

Innehåll

• Introduktion till informationsteori och fundamentala begränsningar vid kommunikation över icke-perfekta kanaler
• Moderna kanalkoder: LDPC-koder och "Turbo"-koder
• Optimal avkodning: ML- och MAP-avkodning
• Iterativa avkodningsalgoritmer och analys av deras prestanda
• Bayesiansk inferens och exempel på dess tillämpningar
• Grupperingsalgoritmer
• Exakt marginalisering
• Monte Carlo metoder för simulering av fysiska system
• Introduktion till neurala nätverk; enskilda neuron och exempel på neurala nätverk
• Kapacitet för enskilda neuron

Mål

Efter genomgången kurs förväntas studenten:

• korrekt kunna definiera och förklara följande begrepp: Hammingavstånd, linjär kod, LDPC-kod,Turbo-kod, optimal avkodning, iterativ avkodning, avkodningsområde, kanalkapacitet, täthetsutveckling, Monte Carlo simulering, marginalisering samt neuralt nätverk
• hjälpligt kunna implementera avkodningsalgoritmer för moderna kanalkoder samt rita och analysera prestanda för dessa
• kunna hantera erforderliga matematiska verktyg: stokastiska variabler, Bayesiansk inferens, Monte Carlo metoder, neurala nätverk
• självständigt kunna använda avancerade kanalkodningstekniker i praktiska tillämpningar
• kunna implementera grupperingsalgoritmer för mängder av datapunkter

Examinationsmoment

Organisation

Undervisningen genomförs i form av föreläsningar, räkneövningar och datorlaborationer som huvudsakligen består av programmeringsuppgifter som är kopplade till teorin presenterad på föreläsningar. Programmering i R, C++, Python, Matlab eller liknande språk.

Litteratur

Böcker

• David J.C. MacKay, (2003) Information Theory, Inference and Learning Algorithms
  ISBN: 0521642981
  Cambridge University Press

Relaterade profiler

Rekommenderade förkunskaper

Linjär algebra, sannolikhetslära, matematisk statistik, samt grundläggande kunskaper i programmering. Kunskaper i datastrukturer och algoritmer samt kommunikationssystem är önskvärda men ej ett krav.

Kommentarer