phy611 - Theoretical Methods (Course overview)

phy611 - Theoretical Methods (Course overview)

Institute of Physics 6 KP
Module components Semester courses Sommersemester 2022 Examination
Lecture
  • No access 5.04.4012 - Informationsverarbeitung und Kommunikation / Information Processing and Communication Show lecturers
    • PD Dr. Jörn Anemüller

    Tuesday: 16:15 - 17:45, weekly (from 19/04/22), Location: W03 2-240
    Dates on Wednesday, 27.07.2022 10:00 - 12:00, Location: W32 0-005
    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 - Digital Signal Processing Show lecturers
    • Prof. Dr. Simon Doclo

    Monday: 16:15 - 17:45, weekly (from 25/04/22), Location: W32 1-112
    Dates on Monday, 01.08.2022 16:15 - 17:45, Thursday, 04.08.2022 10:00 - 12:00, Friday, 07.10.2022 14:00 - 16:00, Location: W32 1-112, W32 0-005, W02 1-148
    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.

    Thursday: 16:15 - 17:45, weekly (from 21/04/22)
    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
    • Henri Gode
    • Daniel Fejgin

    Wednesday: 12:15 - 13:45, weekly (from 20/04/22)
    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.