Estimering, deteksjon og klassifisering

Estimering, deteksjon og klassifisering er helt avgjørende i de aller fleste signalbehandlingssystemer innen IKT, De tre fagfeltene danner også grunnlaget for data-analyse i andre viktige områder som økonomi, medisin, industri, seismikk osv. Dette emnet gir en grunnleggende innføring i prinsippene for estimering, deteksjon og klassifisering med fokus på IKT-anvendelser basert på signalbehandling. Den brede anvendelsen av de tre fagfeltene blir demonstrert vha. å anvende reelle fysiske data på innen sett med utvalgte eksempler innen biomedisin, multimedia, tale, kommunikasjon osv. Emnet består av tre moduler: --- a) Estimering : Introduksjon, Minimum varians forventningsrett estimator og Cramer-Rao nedre grense, Lineære modeller og estimatorer basert på minste kvadratisk avvik , Maksimum Likelihood og Bayesisk estimering --- b) Deteksjon : Introduksjon, Statistisk desisjonsteori, Binær hypotese, Likelihood ratio test, Bayes risk, Neyman-Pearson, ROC/DET. Deteksjon av of henholdsvis deterministiske og tilfeldige signaler --- c) Klassifisering : Introduksjon, teoretisk optimal klassifiserer, tre basis-klassifiserere, estimering og klyngeanalyse innen design, evaluering av ytelse, kort om state-of-the-art inklusive maskinlæring.

Kunnskaper : Kandidaten har (i) prinsipiell forståelse av begrepene estimering, deteksjon og klassifisering; (ii) detaljerte kunnskaper om grunnleggende teknikker og dermed forutsetning for å bruke mer avanserte teknikker; (ii) praktisk forståelse for hvor og hvordan bruke de tre fagområdene til å løse reelle problemer; (iv) kjennskap til betydningen av data i design- og evaluerings-fasen. Ferdigheter : Kandidaten kan (i) identifisere behovet for estimering, deteksjon og klassifisering i praktiske problemer; (ii) velge en fornuftig metode for et gitt problem; (iii) finne og sette seg inn i mer avanserte metoder hvis nødvendig; (iv) implementere metodene i Matlab/Python; og (v) evaluere ytelsen for en valgt klassifiserer for et gitt problem.

Forelesninger med vekt på praktiske eksempler, øvinger og et avsluttende gruppebasert prosjekt.