Lehrinhalte
[b]Robuste Data Science für die Signalverarbeitung[/b]
[list]
[*]Grundlagen des robusten statistischen Lernens
[*]Robuste Regressionsmodelle
[*]Robuste Clusteranalyse und Klassifizierung
[*]Robuste Zeitreihen und Spektralanalyse
[*]Hochdimensionale Data Science
[/list]
[b]Biomedizinische Anwendungen[/b]
[list]
[*]Body-worn und radarbasiertes Sensing von Vitalparametern
[*]Electrocardiogram (ECG) und Photoplethysmogram (PPG)
[*]Augenforschung
[*]Intrakranieller Druck (ICP)
[*]Genomik
[/list]
Die Vorlesung behandelt sowohl die Grundlagen, als auch neuste Entwicklungen im Bereich Robust Data Science. Im Gegensatz zum klassischen statistischen Lernen und der klassischen Signalverarbeitung, die stark auf der Normalverteilung (Gaußverteilung) beruhen, können robuste Methoden mit impulsivem Rauschen, Ausreißern und Artefakten umgehen, die häufig in biomedizinischen Anwendungen auftreten. Die Vorlesungen über Robust Data Science und biomedizinische Anwendungen finden im Wechsel statt. Die Übungen wiederholen die Theorie und wenden Methoden des robusten maschinellen Lernens und der Signalverarbeitung auf Echtdaten an. Software Toolboxen in Python, Matlab und R, welche die behandelten Methoden implementieren, stehen den Studierenden zur Verfügung.
Literatur
Ein Vorlesungsskript bzw. Folien können via Moodle heruntergeladen werden. Vertiefende Literatur:
[list]
[*]Zoubir, A. M. and Koivunen, V. and Ollila, E. and Muma, M.: Robust Statistics for Signal Processing. Cambridge University Press, 2018.
[*]Zoubir, A. M. and Koivunen, V. and Chackchoukh J, and Muma, M. Robust Estimation in Signal Processing: A Tutorial-Style Treatment of Fundamental Concepts. IEEE Signal Proc. Mag. Vol. 29, No. 4, 2012, pp. 61-80.
[*]Huber, P. J. and Ronchetti, E. M.: Robust Statistics. Wiley Series in Probability and Statistics, 2009.
[*]Maronna, R. A. and Martin, R. D. and Yohai, V. J.: Robust Statistics: Theory and Methods. Wiley Series in Probability and Statistics, 2006.
[/list]
Voraussetzungen
Grundlegende Kenntnisse der Statistischen Signalverarbeitung
[b]Robuste Data Science für die Signalverarbeitung[/b]
[list]
[*]Grundlagen des robusten statistischen Lernens
[*]Robuste Regressionsmodelle
[*]Robuste Clusteranalyse und Klassifizierung
[*]Robuste Zeitreihen und Spektralanalyse
[*]Hochdimensionale Data Science
[/list]
[b]Biomedizinische Anwendungen[/b]
[list]
[*]Body-worn und radarbasiertes Sensing von Vitalparametern
[*]Electrocardiogram (ECG) und Photoplethysmogram (PPG)
[*]Augenforschung
[*]Intrakranieller Druck (ICP)
[*]Genomik
[/list]
Die Vorlesung behandelt sowohl die Grundlagen, als auch neuste Entwicklungen im Bereich Robust Data Science. Im Gegensatz zum klassischen statistischen Lernen und der klassischen Signalverarbeitung, die stark auf der Normalverteilung (Gaußverteilung) beruhen, können robuste Methoden mit impulsivem Rauschen, Ausreißern und Artefakten umgehen, die häufig in biomedizinischen Anwendungen auftreten. Die Vorlesungen über Robust Data Science und biomedizinische Anwendungen finden im Wechsel statt. Die Übungen wiederholen die Theorie und wenden Methoden des robusten maschinellen Lernens und der Signalverarbeitung auf Echtdaten an. Software Toolboxen in Python, Matlab und R, welche die behandelten Methoden implementieren, stehen den Studierenden zur Verfügung.
Literatur
Ein Vorlesungsskript bzw. Folien können via Moodle heruntergeladen werden. Vertiefende Literatur:
[list]
[*]Zoubir, A. M. and Koivunen, V. and Ollila, E. and Muma, M.: Robust Statistics for Signal Processing. Cambridge University Press, 2018.
[*]Zoubir, A. M. and Koivunen, V. and Chackchoukh J, and Muma, M. Robust Estimation in Signal Processing: A Tutorial-Style Treatment of Fundamental Concepts. IEEE Signal Proc. Mag. Vol. 29, No. 4, 2012, pp. 61-80.
[*]Huber, P. J. and Ronchetti, E. M.: Robust Statistics. Wiley Series in Probability and Statistics, 2009.
[*]Maronna, R. A. and Martin, R. D. and Yohai, V. J.: Robust Statistics: Theory and Methods. Wiley Series in Probability and Statistics, 2006.
[/list]
Voraussetzungen
Grundlegende Kenntnisse der Statistischen Signalverarbeitung
- Lehrende: Taulant Koka
- Lehrende: Jasin Machkour
- Lehrende: Michael Muma
- Lehrende: Fabian Scheidt
Semester: WiSe 2022/23