phy611 - Theoretical Methods (Course overview)

phy611 - Theoretical Methods (Course overview)

Institute of Physics 6 KP
Module components Semester courses Summer semester 2024 Examination
Lecture
  • No access 5.04.4012 - Informationsverarbeitung und Kommunikation / Information Processing and Communication Show lecturers
    • PD Dr. Jörn Anemüller

    Thursday: 10:00 - 12:00, weekly (from 04/04/24)
    Dates on Wednesday, 14.08.2024 09:00 - 14:00, Thursday, 15.08.2024 09:00 - 18:00, Tuesday, 22.10.2024 09:00 - 16:00, Wednesday, 23.10.2024 09:00 - 13:00
    Course topics: - Information processing in the brain, neurons, receptive fields - Simple classification models, the perceptron, linear discriminant analysis, regression approach to classification - Generative approaches, k-nearest neighbour classification, Bayes equation - Model selection and cross-validation - Logistic regression, binary cross-entropy loss function, gradient descent - Gradient descent optimization and regularization, multi-layer perceptron and error backpropagation - Convolutional networks, deep neural networks, receptive fields in deep netoworks - Reinforcement learning - Sequence modeling, speech recognition, markov chains, hidden markov model (HMMs) - Transformer deep networks, large language models (LLMs), from HMMs to LLMs - Information theory, measuring information, entropy - Information theory continued, entropy bound for coding, compression The course language is English or German, with English used by default and German used in case of only German native language speakers taking the course.
  • No access 5.04.4586 - Digital Signal Processing Show lecturers
    • Prof. Dr. Simon Doclo

    Monday: 16:00 - 18:00, weekly (from 08/04/24), Location: W02 1-148
    Dates on Friday, 19.07.2024 11:00 - 14:00, Thursday, 25.07.2024, Wednesday, 02.10.2024 10:00 - 12:00, Location: W16A 004, W32 0-005, W03 1-156
    Engineering Physics: Alternative für Signal- und Systemtheorie
Exercises
  • No access 5.04.4012 Ü1 - Übung zu Informationsverarbeitung und Kommunikation / Information Processing and Communication Show lecturers
    • PD Dr. Jörn Anemüller
    • Eike Jannik Nustede, M. Sc.

    Tuesday: 16:00 - 18:00, weekly (from 09/04/24)
    Die Studierenden erlernen, wie statistische Eigenschaften von Signalen zur Lösung von Problemen der Angewandten Physik, insbesondere der Klassifikation, parametrischen Modellierung und Übertragung von Signalen genutzt werden können. Theoretische Lernziele beinhalten damit eine Wiederholung und Festigung statistischer Grundlagen und eine Verständnis von deren Nutzung für Algorithmen unterschiedlicher Zielsetzung und Komplexität. Im praktischen Teil werden Eigenschaften der behandelten Methoden selbständig erarbeitet sowie Algorithmen auf dem Rechner implementiert und auf reale Daten angewendet, so daß der Umgang mit theoretischen Konzepten und ihre praktische Umsetzung erlernt werden. Inhalte: Grundfragen der Informationsverarbeitung (Klassifikation, Regression, Clustering), Lösungsmethoden basierend auf Dichteschätzung und diskriminativen Ansätzen (z.B. Bayes Schätzung, k-nearest neighbour, Hauptkomponentenanalyse, support-vector-machines, Hidden-Markov- Modelle), Grundlagen der Informationstheorie, Methoden der analogen und digitalen Nachrichtenübertragung, Prinzipien der Kanalcodierung und Kompression
  • No access 5.04.4586 Ü1 - Exercises to Digital Signal Processing Show lecturers
    • Wiebke Middelberg, M. Sc.
    • Klaus Brümann

    Wednesday: 12:00 - 14:00, weekly (from 03/04/24)
    Engineering Physics: Alternative für Signal- und Systemtheorie
Hinweise zum Modul
Prerequisites

basic programming skills (matlab, python, C/C++)
Module examination

According selected course
Skills to be acquired in this module

The goal of this module is to extend the training in theoretical methods for engineering physics through the acquisition of solid and in-depth knowledge of advanced concepts and through their practice with computer simulations. Depending on the chosen course, the students will have the opportunity to strengthen their knowledge in quantum material modelling (Density-functional theory), signal processing, fluid dynamics (Modelling and Simulation), computational physics, and machine learning. In this way, they will develop skills to relate the conceptual design of models, their numerical implementation, and the physical analysis of the produced data, with the results of field and/or laboratory measurements.