Die Studierenden werden in diesem Modul mit aktuellen fortgeschrittenen Themen der theoretischen Nachrichtentechnik vertraut. Dazu gehören aktuelle Methoden und Werkzeuge aus der statistischen Signalverarbeitung und statistischen und informationstheoretischen Modellierung von Kommunikationssystemen (z.B. arbitrarily varying channels, copula) und die Analyse und der Entwurf von Kommunikationssystemen mittels Lernalgorithmen (Reinforcement Learning, Deep Neural Networks, u.a.). Das Modul befähigt die Studierenden sich mit aktuellen Forschungsfragen in der theoretischen Nachrichtentechnik mit modernen soliden Methoden zu beschäftigen.
Inhalte:
• Abstrakte stochastische Modellierung von Kommunikationskanälen
• Performance-Analyse von Kommunikationssystemen
• Codierung und Übertragung über beliebig veränderliche Kanäle
• Mehrteilnehmer Netzwerke und statistisch abhängige Kanäle
• Bayesian Inference und Bayessche Statistik
• Fisher Information und Cramer Rao Bound
• Deep Neural Networks und globale Optimierung
• Reinforcement Learning für Optimierung von komplexen Kommunikationssystemen
Zur Vorlesung gibt es eine Übung. Die Übung wird als sogenannte "Reading Class" durchgeführt, in der die Studierenden aktuelle Publikationen zu den oben genannten Themengebieten in Form von Kurzreferaten präsentieren.
Dozent: Prof. Eduard Jorswieck
Assistent: Pin-Hsun Lin Ph.D., Dr. Bile Peng
Vorlesung (ET-NT-075)
Umfang (SWS): 2 h
Zeit: Fr. 08:00-09:30
Ort: BigBlueButton bei StudIP (bitte nach dem Namen der Vorlesung und Übung nach der Anmeldung bei StudIP suchen)
Beginn: 23.10.2020
Sprache: Englisch
Exercise (ET-NT-076)
Length (SWS): 1 h
Zeit: Fr. 09:45-11.15
Ort: BigBlueButton bei StudIP
Begin: 23.10.2020
Language: Englisch
Aktuelle Informationen finden sich im StudIP.