Helmut Bölcskei: Katalogdaten im Herbstsemester 2020

Auszeichnung: Die Goldene Eule
NameHerr Prof. Dr. Helmut Bölcskei
LehrgebietMathematische Informationswissenschaften
Adresse
Professur Math. Informationswiss.
ETH Zürich, ETF E 122
Sternwartstrasse 7
8092 Zürich
SWITZERLAND
Telefon+41 44 632 34 33
E-Mailhboelcskei@ethz.ch
URLhttps://www.mins.ee.ethz.ch/people/show/boelcskei
DepartementInformationstechnologie und Elektrotechnik
BeziehungOrdentlicher Professor

NummerTitelECTSUmfangDozierende
227-0045-00LSignal- und Systemtheorie I Information 4 KP2V + 2UH. Bölcskei
KurzbeschreibungSignaltheorie und Systemtheorie (zeitkontinuierlich und zeitdiskret): Signalanalyse im Zeit- und Frequenzbereich, Signalräume, Hilberträume, verallgemeinerte Funktionen, lineare zeitinvariante Systeme, Abtasttheoreme, zeitdiskrete Signale und Systeme, digitale Filterstrukturen, diskrete Fourier-Transformation (DFT), endlich-dimensionale Signale und Systeme, schnelle Fouriertransformation (FFT).
LernzielEinführung in die mathematische Signaltheorie und Systemtheorie.
InhaltSignaltheorie und Systemtheorie (zeitkontinuierlich und zeitdiskret): Signalanalyse im Zeit- und Frequenzbereich, Signalräume, Hilberträume, verallgemeinerte Funktionen, lineare zeitinvariante Systeme, Abtasttheoreme, zeitdiskrete Signale und Systeme, digitale Filterstrukturen, diskrete Fourier-Transformation (DFT), endlich-dimensionale Signale und Systeme, schnelle Fouriertransformation (FFT).
SkriptVorlesungsskriptum, Übungsskriptum mit Lösungen.
227-0085-18LProjekte & Seminare: Bits on Air Belegung eingeschränkt - Details anzeigen
Nur für Elektrotechnik und Informationstechnologie BSc.

Die Lerneinheit kann nur einmal belegt werden. Eine wiederholte Belegung in einem späteren Semester ist nicht anrechenbar.
2 KP2PH. Bölcskei
KurzbeschreibungDer Bereich Praktika, Projekte, Seminare umfasst Lehrveranstaltungen in unterschiedlichen Formaten zum Erwerb von praktischen Kenntnissen und Fertigkeiten. Ausserdem soll selbstständiges Experimentieren und Gestalten gefördert, exploratives Lernen ermöglicht und die Methodik von Projektarbeiten vermittelt werden
LernzielTäglich sind wir mit digitaler Nachrichtenübertragung konfrontiert, sei es beim Fernsehen, beim Mobiltelefon oder bei der Internet-Nutzung. Um die Funktionsweise dieser Systeme kennenzulernen, sollen in diesem P&S-Kurs die Grundzüge der Digitalkommunikation vermittelt werden. Auf herkömmlichen PCs werden dazu selber geschriebene Software-Modems implementiert. Diese Modems bestehen genau wie die in der Wirklichkeit verwendeten digitalen Kommunikationssysteme aus einem Modulator, einem Demodulator und einem Algorithmus zur
Synchronisation des Trägers der eintreffenden Nachricht. Einmal implementiert, können mit Hilfe dieser Modems akustisch beliebige Daten (z.B. kleine Textdateien) zwischen verschiedenen PCs übertragen werden.

Zum Programmieren wird MATLAB verwendet. MATLAB-Kenntnisse werden nicht vorausgesetzt. Vielmehr ist das Ziel dieses P&S-Kurses, neben dem Kennenlernen der Grundlagen der Digitalkommunikation auch das Programmieren mit MATLAB zu üben.

Die Daten der Nachmittage können der Bits on Air-Homepage entnommen werden.

Absenzen werden nur in begründeten Ausnahmefällen erlaubt. Der verpasste Stoff muss selbstständig nachgeholt und in einem kurzen Bericht zusammengefasst werden.
227-0085-19LProjekte & Seminare: Software Defined Radio Belegung eingeschränkt - Details anzeigen
Nur für Elektrotechnik und Informationstechnologie BSc.

Die Lerneinheit kann nur einmal belegt werden. Eine wiederholte Belegung in einem späteren Semester ist nicht anrechenbar.
3 KP3PH. Bölcskei
KurzbeschreibungDer Bereich Praktika, Projekte, Seminare umfasst Lehrveranstaltungen in unterschiedlichen Formaten zum Erwerb von praktischen Kenntnissen und Fertigkeiten. Ausserdem soll selbstständiges Experimentieren und Gestalten gefördert, exploratives Lernen ermöglicht und die Methodik von Projektarbeiten vermittelt werden
LernzielDrahtlose Übermittlung von Informationen über Funk ist heute allgegenwärtig. Je nach Anwendung und Frequenzbereich werden dabei verschiedene Modulationsarten benutzt, wobei digitale Verfahren weitgehend die alten analogen Verfahren abgelöst haben.
Tools für Software Defined Radio (SDR) ermöglichen es, mit relativ kleinem Aufwand in diese Welt einzutauchen und “auf den Wellen zu surfen”. Durch schnellere Computer wird es möglich, dass immer
komplexere Signalverarbeitung in Sendern und Empfängern auf einem Rechner erfolgen können. Dabei können die Algorithmen sehr flexibel und schnell angepasst und verändert werden.

In diesem P&S werden wir uns näher anschauen, wie dies funktioniert und was dahintersteckt. Dazu erarbeiten wir uns in einem ersten Teil Grundlagen zu Frequenzen, Spektren, Modulationsarten,
Signalverarbeitung, u.s.w.

Im zweiten Teil werden wir in Gruppen verschiedene Projekte mit SDR-Tools erarbeiten. Dabei können auch eigene Ideen eingebracht werden. Am Schluss werden die Projekte in einer Präsentation den anderen Teilnehmern vorgestellt.
227-0423-00LNeural Network Theory Information 4 KP2V + 1UH. Bölcskei
KurzbeschreibungThe class focuses on fundamental mathematical aspects of neural networks with an emphasis on deep networks: Universal approximation theorems, basics of approximation theory, fundamental limits of deep neural network learning, geometry of decision surfaces, capacity of separating surfaces, dimension measures relevant for generalization, VC dimension of neural networks.
LernzielAfter attending this lecture, participating in the exercise sessions, and working on the homework problem sets, students will have acquired a working knowledge of the mathematical foundations of (deep) neural networks.
Inhalt1. Universal approximation with single- and multi-layer networks

2. Introduction to approximation theory: Fundamental limits on compressibility of signal classes, Kolmogorov epsilon-entropy of signal classes, non-linear approximation theory

3. Fundamental limits of deep neural network learning

4. Geometry of decision surfaces

5. Separating capacity of nonlinear decision surfaces

6. Dimension measures: Pseudo-dimension, fat-shattering dimension, Vapnik-Chervonenkis (VC) dimension

7. Dimensions of neural networks

8. Generalization error in neural network learning
SkriptDetailed lecture notes will be provided.
Voraussetzungen / BesonderesThis course is aimed at students with a strong mathematical background in general, and in linear algebra, analysis, and probability theory in particular.
401-5680-00LFoundations of Data Science Seminar Information 0 KPP. L. Bühlmann, A. Bandeira, H. Bölcskei, J. M. Buhmann, T. Hofmann, A. Krause, A. Lapidoth, H.‑A. Loeliger, M. H. Maathuis, G. Rätsch, C. Uhler, S. van de Geer, F. Yang
KurzbeschreibungResearch colloquium
Lernziel