Denna kurs ger en introduktion till inversa problem med tonvikt på linjära problem i ändlig dimension. Särskilt fokus ligger på högdimensionella illa ställda inversa problem, till exempel de som uppstår vid bildbehandling som invers faltning och tomografisk bildrekronstruktion.
En central metod är att använda regularisering för att hantera illaställdhet och stora konditionstal. Kursen tar upp matematiska och beräkningsrelaterade egenskaper för klassiska regulariseringsmetoder, som trunkerad singularvärdesuppdelning, iterativa metoder och variationsmodeller.
Parallellt med dessa klassiska ansatser behandlar kursen även det statistiska perspektivet. Här introduceras statistiska modeller för bruset i data samt den okända signalen. Tekniker från bayesiansk statistik kan nu användas för att beräkna fördelning av signalen beroende på de uppmätta data. Kursen tar upp beräkningsmetoder för att simulera slumpmässiga utfall från en sådan fördelning, baserat på Markovkedje-Monte Carlo-metoder och bayesiansk inferens. Kursen behandlar också alternativa tillvägagångssätt för att beräkna lämpliga skattningar relaterat till maximum likelihood-metoden.