phy611 - Theoretical Methods (Veranstaltungsübersicht)

phy611 - Theoretical Methods (Veranstaltungsübersicht)

Institut für Physik 6 KP
Modulteile Semesterveranstaltungen Sommersemester 2024 Prüfungsleistung
Vorlesung
  • Uneingeschränkter Zugang 5.04.4012 - Informationsverarbeitung und Kommunikation / Information Processing and Communication Lehrende anzeigen
    • Priv.-Doz. Dr. Jörn Anemüller

    Donnerstag: 10:00 - 12:00, wöchentlich (ab 04.04.2024)
    Termine am Mittwoch, 14.08.2024 09:00 - 14:00, Donnerstag, 15.08.2024 09:00 - 18:00, Dienstag, 22.10.2024 09:00 - 16:00

    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.

  • Uneingeschränkter Zugang 5.04.4586 - Digital Signal Processing Lehrende anzeigen
    • Prof. Dr. Simon Doclo

    Monday: 16:00 - 18:00, weekly (ab 08.04.2024), Ort: W02 1-148
    Termine am Freitag, 19.07.2024 11:00 - 14:00, Donnerstag, 25.07.2024 10:00 - 12:00, Ort: W16A 004, W32 0-005

    Engineering Physics: Alternative für Signal- und Systemtheorie

Übung
  • Uneingeschränkter Zugang 5.04.4012 Ü1 - Übung zu Informationsverarbeitung und Kommunikation / Information Processing and Communication Lehrende anzeigen
    • Priv.-Doz. Dr. Jörn Anemüller
    • Eike Jannik Nustede, M. Sc.

    Dienstag: 16:00 - 18:00, wöchentlich (ab 09.04.2024)

    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

  • Uneingeschränkter Zugang 5.04.4586 Ü1 - Exercises to Digital Signal Processing Lehrende anzeigen
    • Wiebke Middelberg, M. Sc.
    • Klaus Brümann

    Mittwoch: 12:00 - 14:00, wöchentlich (ab 03.04.2024)

    Engineering Physics: Alternative für Signal- und Systemtheorie

Hinweise zum Modul
Teilnahmevoraussetzungen
basic programming skills (matlab, python, C/C++)
Prüfungsleistung Modul
Lectures (2 or 4 hours per week) / Exercises (1 or 2 hours per week)
Kompetenzziele
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.