Advanced Mathematics for Signal and Information Processing

Übersicht über die Vorlesung und Übung in Advanced Mathematics for Signal and Information Processing

Registrierung

Wenn Sie an diesem Kurs teilnehmen möchten, registrieren Sie sich bitte über C@mpus.

Bitte melden Sie sich sowohl für die Vorlesung als auch für die Übung an. Die Vorlesungs- und Übungsunterlagen finden Sie im ILIAS-Kurs »Advanced mathematics for signal and information processing – Exercise«. Den Zugang zum ILIAS-Kurs sollten Sie spätestens zum Vorlesungsbeginn erhalten, wenn Sie sich für die Übung in C@mpus registriert haben.

Voraussetzungen

  • solide mathematische Kenntnisse auf Bachelor-Niveau
  • Grundkenntnisse über Signale und Systeme, insbesondere
    • Signal- und Systemeigenschaften
    • LTI-System, Impulsantwort, Faltung
    • Fourier-Transformation, Frequenzgang

Lernziele

  • Erlernen erweiterter Konzepte der Vektor- und Matrixrechnung
  • Erlernen von Konzepten der Wahrscheinlichkeitstheorie (Wahrscheinlichkeit, Zufallsvariablen, Stochastische Prozesse)
  • Erlernen von Basiskonzepten der Optimierung

Dieser Kurs enthält die mathematischen Grundlagen für alle Master-Kurse für Signal- und Informationsverarbeitung, maschinelles Lernen und digitale Kommunikation. Er sollte vor den anderen Kursen belegt werden.

Vorlesungsinhalte

  1. Introduction
  2. Advanced vector and matrix computations
    • Vectors and matrices
    • Basic operations
    • Determinant and trace
    • Vector and matrix norms
    • Special vectors and matrices
    • Eigenvalue decomposition
    • Singular value decomposition
    • Rank and subspaces
    • Vector and matrix derivatives
    • Tensors
  3. Probability
    • Motivation
    • Experiment and event
    • Probability
    • Conditional probability
  4. Random variables
    • Random variable and random vector
    • Cumulative distribution function (CDF) and probability density function (PDF)
    • Conditional CDF and PDF
    • Transformation of random variables
    • Expectation and moments
    • Moment generating function
    • Convergence of a sequence of random variables
    • Estimation of statistical properties
  5. Stochastic processes
    • Definition
    • CDF and PDF
    • Moments
    • Stationarity
    • Power spectral density
    • Estimation of moments and PSD
  6. Systems with stochastic signals
    • System
    • Memoryless and time-invariant system
    • Linear and time-invariant system
  7. Introduction to optimization
    • Optimization problems
    • Optimization conditions
    • Optimization algorithms
Zum Seitenanfang