Lehrveranstaltungsprüfung
250106 VO Compressed Sensing (Ausgewählte Kapitel aus Angewandter Mathematik) (2012S)
Labels
WANN?
Donnerstag
05.07.2012
Prüfer*innen
Information
Prüfungsstoff
Voraussetzungen: gute Kenntnisse der linearen Algebra und einige
Grundlagen der Wahrscheinlichkeitstheorie (Erwartungswert,
Zufallsvariable, Wahrscheinlichkeitsdichte). Was zusaetzlich aus der
Wahrscheinlichkeitstheorie gebraucht wird, wird in der Vorlesung
erarbeitet.Die Vorlesung richtet sich an interessierte und fortgeschrittene BachelorstudentInnen, Masters oder DiplomstudentInnen und DissertantInnen.
Grundlagen der Wahrscheinlichkeitstheorie (Erwartungswert,
Zufallsvariable, Wahrscheinlichkeitsdichte). Was zusaetzlich aus der
Wahrscheinlichkeitstheorie gebraucht wird, wird in der Vorlesung
erarbeitet.Die Vorlesung richtet sich an interessierte und fortgeschrittene BachelorstudentInnen, Masters oder DiplomstudentInnen und DissertantInnen.
Art der Leistungskontrolle und erlaubte Hilfsmittel
Muendliche Pruefung
Mindestanforderungen und Beurteilungsmaßstab
In der Vorlesung sollen die Grundlagen dieser modernen
wissenschaftlichen Entwicklung vorgestellt werden. Die wesentlichen
Arbeiten zum Thema sind nicht nur relevant und nuetzlich, sondern
enthalten auch sehr schoene und zum Teil sehr tiefe Mathematik.
Es zeigt sich, wie so oft, dass angewandte Mathematik und abstrakte
Mathematik nicht getrennt werden koennen. Die tiefsten Resultate
werden durch die Verbindung mit der lokalen Theorie von Banachrauemen
und Wahrscheinlichkeitstheorie erzielt.Plan: 1. Was ist Compressed Sensing? Ueberblick2. Wesentliche Algorithmen (Optimierung, greedy Methods) und deren Analyse3. Deterministische Theorie4. Methoden aus der Wahrscheinlichkeitstheorie5. Wahrscheinlichkeitsaussagen in Compressed Sensing
wissenschaftlichen Entwicklung vorgestellt werden. Die wesentlichen
Arbeiten zum Thema sind nicht nur relevant und nuetzlich, sondern
enthalten auch sehr schoene und zum Teil sehr tiefe Mathematik.
Es zeigt sich, wie so oft, dass angewandte Mathematik und abstrakte
Mathematik nicht getrennt werden koennen. Die tiefsten Resultate
werden durch die Verbindung mit der lokalen Theorie von Banachrauemen
und Wahrscheinlichkeitstheorie erzielt.Plan: 1. Was ist Compressed Sensing? Ueberblick2. Wesentliche Algorithmen (Optimierung, greedy Methods) und deren Analyse3. Deterministische Theorie4. Methoden aus der Wahrscheinlichkeitstheorie5. Wahrscheinlichkeitsaussagen in Compressed Sensing
Letzte Änderung: Mo 07.09.2020 15:40