Module

22 Treffer

B Elective Modules22

B1.2, B2.222

B1.2.1 Core Modules in Data Analysis22

Fundamentals of Mathematical StatisticsNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in 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 SemesterMA5441Large DeviationsNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst die Theorie der großen Abweichungen (Large Deviations) kennen, die beschreibt, wie unwahrscheinliche Ereignisse in Wahrscheinlichkeitsmodellen auftreten und wie schnell ihre Wahrscheinlichkeiten fallen. Am Ende kannst du grundlegende Techniken der Large-Deviation-Theorie anwenden und verstehst Anwendungen etwa für Summen von Zufallsvariablen und empirische Verteilungen.5 ECTSläuft dieses SemesterMA5417Multilinear AlgebraNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst Konzepte und Werkzeuge der multilinearen Algebra kennenzulernen und anzuwenden, insbesondere im Zusammenhang mit Matrixanalyse und Matrizenalgebra. Am Ende kannst du Tensorprodukte, Kronecker-Operationen und verwandte Strukturen verstehen und in mathematischen Zusammenhängen nutzen.5 ECTSläuft dieses SemesterCIT413063Nonconvex Global OptimizationNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst Methoden der globalen Optimierung nichtkonvexer und ggf. nichtglatter Zielfunktionen kennen und anzuwenden. Beginnend bei (stochastischen) Gradientenverfahren und Simulated Annealing arbeitest du dich zu multi‑partikel‑Verfahren wie Particle Swarm Optimization (PSO) und Consensus‑Based Optimization (CBO) vor und verstehst deren globale Konvergenzeigenschaften.6 ECTSläuft dieses SemesterCIT4130019Probabilistische Techniken und Algorithmen in der DatenanalyseNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst probabilistische Techniken und Algorithmen, die in der Datenanalyse bei Dimensionsreduktion und Wiederherstellung von Daten aus unvollständigen Informationen verwendet werden. Am Ende kannst du Grundlagen der Zufallsmatrizen verstehen, randomisierte Algorithmen einschätzen und Methoden wie JL-Einbettungen, Compressed Sensing und zufallsbasierte Matrix-/Tensorrekonstruktion anwenden und analysieren.6 ECTSläuft dieses SemesterMA4803
17 weitere in B1.2.1 Core Modules in Data AnalysisAdvanced Topics in Uncertainty QuantificationNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst Methoden der Unsicherheitsquantifizierung für Sensitivitätsanalysen, die Abschätzung seltener Ereignisse und den bayesianischen Zugang zu inversen Problemen. Am Ende kannst du passende numerische und statistische Lösungsverfahren auswählen und ihre Grundlagen sowie Anwendungsgrenzen kritisch beurteilen.6 ECTSkein Termin dieses SemesterCIT4130021Algorithms for Scientific ComputingNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst effiziente, hierarchische Algorithmen und Datenstrukturen für wissenschaftliches Rechnen kennen und umzusetzen. Schwerpunkte sind schnelle diskrete Fourier- und verwandte Transformationen (FFT, DCT/DST), Raumfüllende Kurven (Peano, Hilbert) zur Organisation mehrdimensionaler Daten sowie hierarchische Methoden wie Sparse Grids und adaptive Repräsentationen. Am Ende kannst Du solche Verfahren erklären, analysieren und bei Bedarf implementieren.8 ECTSkein Termin dieses SemesterIN2001Compressed SensingNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst, wie man dünn besetzte (sparse) Signale aus wenigen, strukturierten linearen Messungen rekonstruiert und welche Messmatrizen zuverlässige Wiederherstellung garantieren. Am Ende kannst du wesentliche Recovery-Sätze formulieren, die Restricted Isometry Property (RIP) für Zufallsmatrizen anwenden und die zugrundeliegenden probabilistischen Beweistechniken nutzen.5 ECTSkein Termin dieses SemesterMA5352Computational Inverse ProblemsNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisIn diesem Modul lernst Du Theorie und numerische Verfahren zur Lösung vor allem linearer inverser Probleme. Du kennst grundlegende Konzepte wie Ill‑posedness, Regularisierung und Filteransätze und kannst sowohl direkte (z. B. TSVD, Tikhonov) als auch iterative Algorithmen (z. B. Landweber, konjugierte Gradienten) anwenden und bewerten.6 ECTSkein Termin dieses SemesterMA4302FourieranalysisNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst die Grundlagen der Fourieranalyse auf euklidischen Räumen: Fourier-Reihen auf Periodenintervallen und die Fourier-Transformierte auf R^n, inklusive Verallgemeinerungen auf L^2 und Distributionen. Am Ende kannst du Konvergenz- und Regularitätsfragen beurteilen und die Fourier-Techniken auf Anwendungen wie PDEs, Signalverarbeitung und Sampling anwenden.5 ECTSkein Termin dieses SemesterMA4064Geometrie und Topologie für die DatenanalyseNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst grundlegende Methoden der geometrischen und topologischen Datenanalyse. Dazu gehören Konstruktionen wie Voronoi- und Delaunay-Diagramme, Alpha-Shapes sowie Konzepte aus der Topologie wie Simplizialkomplexe und Homologie und deren Anwendung auf Filtrationen und persistente Homologie, um die topologischen Eigenschaften von Punktmengen zu untersuchen.6 ECTSkein Termin dieses SemesterMA4804Graphical Models in StatisticsNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in 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 SemesterMA5439High-dimensional StatisticsNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst Methoden zur Analyse von Daten, bei denen die Anzahl der Variablen groß ist. Nach dem Modul kannst du Verfahren zur Kontrolle von Fehlern bei vielen Tests anwenden, sparsame Regressionsverfahren (z. B. Lasso) und Methoden für gruppenspezifische bzw. niedrigdimensional strukturierte Signale einsetzen sowie Regularisierungsansätze für Matrix‑Parameter und Graphenmodelle nutzen.5 ECTSkein Termin dieses SemesterMA5442Introduction to Regularization and Learning Methods for Inverse ProblemsNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst die mathematischen Grundlagen von inversen Problemen und Regularisierung sowie moderne datengetriebene Lösungsansätze. Am Ende kannst du inverse Probleme analysieren, klassische Regularisierungsverfahren anwenden und datenbasierte Rekonstruktionsmethoden einordnen.5 ECTSkein Termin dieses SemesterCIT413070Markov ProcessesNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst Theorie und Methoden stetiger Markov-Prozesse kennen: kontinuierliche Markov-Ketten, den Markov-Eigenschaft, Feller-Prozesse sowie Eigenschaften von Übergangssemigruppen und ihren Generatoren. Am Ende kannst du das Langzeitverhalten von Prozessen analysieren, Ergodenstheoreme anwenden und in Beispielen (z. B. Warteschlangentheorie, wechselwirkende Teilchensysteme, Zeitreihen) einsetzen.9 ECTSkein Termin dieses SemesterMA4408Mathematical Data AnalysisNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in 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 ImagingNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst mathematische Grundlagen und Modelle der Bildgebung kennen — von Fourier-Reihen und -Transformation über Frame-Theorie und Zeit-Frequenz-Analyse bis zu Wavelet-Transformationen und variationalen Methoden. Am Ende kannst du verschiedene Imaging-Modelle vergleichen, ihre mathematische Analyse anwenden und geeignete Werkzeuge zur Lösung konkreter Bildgebungsprobleme einsetzen.9 ECTSkein Termin dieses SemesterMA5063Probability on GraphsNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst stochastische Modelle auf Graphen kennen, z. B. Random Walks, Perkolation und zufällige Graphen. Am Ende kannst du Random Walks auf Netzwerken analysieren, die Verbindung zu elektrischen Netzwerken nutzen sowie Phasenübergänge und zufällige Spannbäume verstehen.5 ECTSkein Termin dieses SemesterMA4406Statistical Inverse ProblemsNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst grundlegende Methoden zur statistischen Behandlung inverser Probleme kennen. Der Kurs behandelt lineare inverse Probleme mit zufälligem Rauschen, Regularisierung, Konvergenzraten, adaptives Vorgehen und Modellwahl; am Ende kannst du die Ergebnisse vergleichen und auf konkrete Beispiele anwenden.5 ECTSkein Termin dieses SemesterMA5428Stochastic AnalysisNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu beschäftigst dich mit Brown'scher Bewegung, ihrer Konstruktion und Pfadeigenschaften sowie mit zentralen Ergebnissen wie dem Reflexionsprinzip. Du lernst stochastische Integrale (Itô-Integration), Itô-Formel, SDEs (starke und schwache Lösungen) sowie Maßänderungen (z. B. Girsanov) und zentrale Grenzwertsätze wie Donskers Invarianzprinzip. Am Ende kannst du grundlegende Rechnungen mit Brown'scher Bewegung durchführen, Itô-Formeln anwenden und einfache SDEs sowie Change-of-Measure-Techniken verstehen und nutzen.9 ECTSkein Termin dieses SemesterMA4405Tensor Network MethodsNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst moderne Methoden zur effizienten Approximation hochdimensionaler Funktionen (große N-Tensoren). Schwerpunkt ist die Tensor-Train-(TT-)Approximation: ihre Theorie, numerische Algorithmen und Anwendungen. Am Ende kannst du einfache mehrdimensionale Probleme mit Tensor-Netzwerk-Methoden analysieren und simulieren.5 ECTSkein Termin dieses SemesterCIT413064Theorie der ZufallsmatrizenNoch keine Bewertungen für dieses Modul.B1.2, B2.2 › B1.2.1 Core Modules in Data AnalysisDu lernst nicht-asymptotische Abweichungsschätzungen für Zufallsvariablen und -vektoren (insbesondere subgaussche und subexponentielle sowie isotrope Vektoren) und wendest diese Konzepte auf Zufallsmatrizen mit unabhängigen Zeilen oder Spalten an. Am Ende kannst du Aussagen über die Extremal-Singularwerte solcher Matrizen formulieren, vergleichen und auf konkrete Beispiele sowie Anwendungen wie Dimensionsreduktion und Compressed Sensing anwenden.5 ECTSkein Termin dieses SemesterMA5346