Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage, Methoden aus den Bereichen probabilistische graphische Modelle und Graphsignalverarbeitung auf praktische Ingenieursprobleme anzuwenden; dies umfasst die Problemformulierung, die analytische oder numerische  Lösung, und die qualitative und quantitative Beschreibung der Leistungsfähigkeit dieser Lösungen.

• Grundlagen der Wahrscheinlichkeits- und Graphentheorie
• Anwendungen
• Probabilistische graphische Modelle (Bayes'sche Netze, Markoffsche Zufallsfelder, Faktorgraphen, ...)
• Methoden und Algorithmen zur Inferenz
• message passing, belief propagation
• Variationsansätze 

• Graphsignalverarbeitung
• Graph-Fourier-Transformation
• Graph-Filter
• Signalrekonstruktion
• Lernen von Graphen
• stochastische Graphsignale
• Clustering

Fernlehre in der Form eines "flipped classroom"
* Vorlesungsvideos zu allen Themen stehen auf TUpeerTube zur Verfügung
* vor dem Unterricht: Studierende sehen sich die relevanten Videos und Unterlagen an
* im Unterricht (via Zoom): Diskussion der Inhalte, zusätzliche Beispiele, Fragen & Antworten

Alle Vorlesungen finden dienstags um 13:30 Uhr über Zoom statt:

https://tuwien.zoom.us/j/96821760760?pwd=WXBWRzY5eWJya215aWQ4aXJELy9uUT09

Meeting ID: 968 2176 0760
Password: ZTkJbe9G

Vorbesprechung: 2. März 2021, 13:30 Uhr

Aufnahmen der Vorlesungen sind auf dem folgenden TUpeerTube-Kanal abrufbar:

https://tube1.it.tuwien.ac.at/video-channels/graphicalmodels/videos

Alle anderen Materialien (Folien, Scans, etc.) werden auf TISS zur Verfügung gestellt.

mündliche Prüfung

Ein Vorlesungsskriptum ist vorhanden.

Weitere Literatur:

• Daphne Koller and Nir Friedman, "Probabilistic Graphical Models", MIT Press 2009
• Michael Jordan (Ed.), "Learning in Graphical Models", Kluwer 1998
• Christopher M. Bishop, "Pattern Recognition and Machine Learning", Springer 2006
• Petar Djuric and Cedric Richard (Eds.), "Cooperative and Graph Signal Processing", Elsevier 2018

Wahrscheinlichkeitstheorie und Zufallsvariable