| 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
|
| |
|
|
|