Module

17 Treffer

B Elective Modules17

B1.1, B2.1, B317

B1.1 Data Analysis17

Discrete OptimizationNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst zentrale Konzepte und Algorithmen der linearen ganzzahligen Optimierung und der kombinatorischen Optimierung. Im Modul analysierst du mathematische Strukturen, die effiziente Lösungsverfahren erlauben, und kannst am Ende reale Probleme als diskrete Optimierungsprobleme modellieren sowie Spezialfälle identifizieren, die effizient lösbar sind.9 ECTSläuft dieses SemesterCIT413041Fundamentals of Mathematical StatisticsNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst die grundsätzlichen Prinzipien und Methoden der statistischen Inferenz, darunter Likelihood-Ansätze, Bayes’sche Methoden und minimax-Estimation. Du beschäftigst dich mit asymptotischer Theorie für große Stichproben und wendest diese insbesondere bei der Untersuchung und Anwendung der Maximum-Likelihood-Techniken an.9 ECTSläuft dieses SemesterMA5441FunktionalanalysisNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst Grundlagen der Funktionalanalysis in Banach- und Hilberträumen. Am Ende kannst du lineare Funktionale und beschränkte sowie kompakte selbstadjungierte Operatoren analysieren, Dualität verstehen und Konzepte wie schwache und schwach* Konvergenz anwenden.9 ECTSläuft dieses SemesterMA3001Nichtlineare OptimierungNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu beschäftigst dich mit Theorie und numerischen Verfahren der nichtlinearen Optimierung. Du lernst fortgeschrittene Methoden für un- und insbesondere für beschränkte Optimierungsprobleme kennen (z. B. SQP, Barrier- und Interior-Point-Verfahren) und kannst am Ende Konvergenzeigenschaften solcher Verfahren beurteilen und anwenden.5 ECTSläuft dieses SemesterMA3503Probability TheoryNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst die maßtheoretische Wahrscheinlichkeitstheorie für Folgen von Zufallsvariablen und Martingale. Am Ende kannst Du zentrale Sätze wie Gesetz der großen Zahlen, zentrale Grenzwertsätze und grundlegende Martingal-Ergebnisse verstehen und anwenden.9 ECTSläuft dieses SemesterMA2409
12 weitere in B1.1 Data AnalysisStatistical Foundations of LearningNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst statistische Grundlagen der Machine-Learning-Theorie und mathematische Werkzeuge zur Analyse von Lernalgorithmen. Am Ende kannst du Generalisierungs- und Konsistenzfragen bewerten, Algorithmen wie k‑NN, SVM und einfache neuronale Netze theoretisch analysieren und neuere Entwicklungen wie Überparametrisierung und Trainingsdynamiken einordnen.8 ECTSläuft dieses SemesterCIT4230004Approximation AlgorithmsNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst, wie man effiziente Näherungsalgorithmen für kombinatorische Optimierungsprobleme entwirft und analysiert. Am Ende kannst du Laufzeit und Approximationsgarantien von Algorithmen beurteilen, bekannte Techniken (z. B. Greedy, LP-Rounding, Primal-Dual) anwenden und Grenzen der Approximierbarkeit nachweisen.9 ECTSkein Termin dieses SemesterCIT4100003CausalityNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu beschäftigst dich mit Konzepten und Methoden der kausalen Inferenz: von probabilistischen und graphentheoretischen Grundlagen über strukturelle Modelle bis zu modernen Algorithmen für Ursachenentdeckung und Schätzung von Kausaleffekten. Am Ende kannst du beurteilen, ob und wie aus gegebenen Daten und Annahmen kausale Schlüsse möglich sind, passende Methoden auswählen und diese praktisch anwenden.8 ECTSkein Termin dieses SemesterIN2410Fundamentals of Optimization for Machine LearningNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst Grundlagen und fortgeschrittene Techniken der Optimierung, sowohl konvex als auch nichtkonvex sowie kombinatorisch und kontinuierlich, mit Fokus auf Anwendungen in Machine Learning. Am Ende bist du in der Lage, Optimierungsprobleme aus der ML‑Forschung zu verstehen und an Forschungsfragen in diesem Bereich heranzugehen.5 ECTSkein Termin dieses SemesterCIT413031Generalized Linear ModelsNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst Methoden der Regression für nicht-normal verteilte Zielgrößen (z. B. binär, Zähldaten, nominal, positive Werte). Neben klassischen GLMs wie logistische, Probit-, Poisson-, Gamma- und log-lineare Modelle werden Erweiterungen (z. B. Überdispersion, Zufallseffekte) behandelt. Am Ende kannst Du Modelle schätzen, validieren und die Ergebnisse mit R analysieren und interpretieren.9 ECTSkein Termin dieses SemesterMA3403Graphical Models in StatisticsNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisIn diesem Modul lernst Du multivariate statistische Modelle kennen, deren gemeinsame Verteilungen durch Graphen beschrieben werden. Am Ende kannst Du Abhängigkeits- und Bedingte-Unabhängigkeitsstrukturen erkennen, geeignete graphische Modelle für Datensätze entwerfen und die Modelle praktisch mit R analysieren.9 ECTSkein Termin dieses SemesterMA5439Mathematical Data AnalysisNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst Methoden zur Analyse komplexer und unstrukturierter Daten, darunter Regressions- und Klassifikationsaufgaben. Das Modul vermittelt Grundlagen wie Loss-Funktionen, positiv definite Kernel und reproduzierende Kernel-Hilberträume sowie Regularisierungsstrategien (z. B. Tikhonov) und SVM-Regression. Außerdem werden Summationsverfahren und Manifold Learning behandelt.6 ECTSkein Termin dieses SemesterMA5098Mathematical Foundations of Machine LearningNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst die mathematischen Grundlagen moderner Verfahren des Machine Learning: Aufbau, Lernalgorithmen und Approximationseigenschaften neuronaler Netze, Theorie und Anwendung von Kernmethoden in reproduzierenden Hilberträumen sowie qualitative Aspekte wie Verlustfunktionen, Risiko und Komplexitätsfragen. Am Ende kannst Du Netze konstruieren, deren Approximationseigenschaften diskutieren, Kernmethoden anwenden und die statistische Effizienz von Verfahren einschätzen.6 ECTSkein Termin dieses SemesterMA4801Mathematical Foundations of Machine LearningNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst die mathematischen Grundlagen moderner Methoden des Maschinenlernens. Am Ende kannst du neuronale Netze konstruieren und ihre Approximationseigenschaften diskutieren, Kernelmethoden in Reproducing Kernel Hilbert Spaces anwenden und die statistische Effizienz von Lernverfahren einschätzen.9 ECTSkein Termin dieses SemesterCIT413048Modern Methods in Nonlinear OptimizationNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst ausgewählte moderne Methoden der nichtlinearen Optimierung kennen, z. B. konvexe und nichtglatte Optimierung, Interior-Point-Verfahren, semidefinite Programmierung, Robustheitskonzepte und Dualität. Am Ende kannst du aktuelle Forschungsartikel zu den behandelten Themen verstehen und bist vorbereitet, eigene Forschungsfragen in der nichtlinearen Optimierung anzugehen.5 ECTSkein Termin dieses SemesterMA4503Polyhedral CombinatoricsNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst, wie man kombinatorische Optimierungsprobleme über die Geometrie von Polyedern angeht: Darstellung von Polytope, Zusammenhang zwischen Geometrie und Optimierung linearer Funktionen, sowie moderne Algorithmen wie Branch-and-Cut und Trennung/Optimierung. Am Ende kannst Du die Methoden auf typische Probleme (z. B. Matching-, TSP-Polytope) anwenden und ihre Grenzen im Kontext NP‑Härte einschätzen.6 ECTSkein Termin dieses SemesterMA5225TopologyNoch keine Bewertungen für dieses Modul.B1.1, B2.1, B3 › B1.1 Data AnalysisDu lernst die Grundlagen der mengen-theoretischen Topologie und der algebraischen Topologie. Im ersten Teil analysierst du topologische und metrische Räume sowie Konzepte wie Stetigkeit, Kompaktheit und Zusammenhang; im zweiten Teil beschäftigst du dich mit Homotopien, Fundamentalgruppen und singulärer Homologie. Am Modulende kannst du topologische Eigenschaften beurteilen sowie Fundamentalgruppen und Homologie einfacher Räume bestimmen.9 ECTSkein Termin dieses SemesterMA3241