studiehandbok@lith
 

Tekniska högskolan vid Linköpings universitet

 
 
År : 2016
 
TSKS12 Modern kanalkodning, inferens och inlärning, 6 hp
/Modern Channel Coding, Inference and Learning/

För:   CS   D   DAV   I   Ii   IT   MMAT   SY   Y  

 

Prel. schemalagd tid: 48
Rek. självstudietid: 112

  Utbildningsområde: Teknik

Huvudområde: Elektroteknik   Nivå (G1,G2,A): A

  Mål:  IUAE-matris
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


  Förkunskaper: (gäller studerande antagna till program som kursen ges inom, se 'För:' ovan)
Linjär algebra, sannolikhetslära, matematisk statistik, samt grundläggande kunskaper i programmering. Kunskaper i datastrukturer och algoritmer samt kommunikationssystem är önskvärda men ej ett krav.

OBS! Tillträdeskrav för icke programstudenter omfattar vanligen också tillträdeskrav för programmet och ev. tröskelkrav för progression inom programmet, eller motsvarande.

  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.

  Kursinnehåll:
  • 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


  Kurslitteratur:
David J. C. MacKay, Information Theory, Inference & Learning Algorithms, Cambridge University Press, 2003; ISBN:0521642981

  Examination:
TEN1 LAB1
Skriftlig tentamen (U,3,4,5)
Laborationsuppgifter (U,G)
4 hp
2 hp
 



Undervisningsspråk är Engelska.
Institution: ISY.
Studierektor: Klas Nordberg
Examinator: Danyo Danev
Ansvarig programnämnd: Elektro&Fysik

Engelsk kursplan

Kursen bedrivs på ett sådant sätt att både mäns och kvinnors erfarenhet och kunskaper synliggörs och utvecklas.

Planering och genomförande av kurs skall utgå från kursplanens formuleringar. Den kursvärdering som ingår i kursen skall därför genomföras med kursplanen som utgångspunkt.

Om inget annat anges ovan gäller betygsskala enligt avsnitt a8.5 i de gemensamma bestämmelserna.

Kursplanen gäller för 2016 enligt beslut av ansvarig programnämnd/fakultetstyrelse.

Tekniska högskolan vid Linköpings universitet


Informationsansvarig: TFK , val@tfk.liu.se
Senast ändrad: 12/03/2015