Ausführliche Informationen zu den Veranstaltungen finden sich im Kommentierten Vorlesungsverzeichnis und in den Modulhandbüchern (siehe bei den einzelnen Studiengängen).
Vorlesung: Mo, 12-14 Uhr, HS Rundbau, Albertstr. 21, Mi, 10-12 Uhr, HS Weismann-Haus, Albertstr. 21a
Übung: 2-stündig, verschiedene Termine
Klausur 19.02., 10:15-11:45, HS Rundbau, Albertstr. 21
Nachklausur 28.04., 10:00-11:30, SR 226, Hermann-Herder-Str. 10
Dozent:in: Patrick Dondl
Assistenz: Oliver Suchan
Sprache: auf Deutsch
Lebesgue-Maß und Maßtheorie, Lebesgue-Integral auf Maßräumen und Satz von Fubini, Fourier-Reihen und Fourier-Transformation, Hilbert-Räume. Differentialformen, ihre Integration und äußere Ableitung. Satz von Stokes und Satz von Gauß.
Notwendig: Analysis I und II, Lineare Algebra I
Elective in Data
Vorlesung: Di, Do, 10-12 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: Sören Bartels
Assistenz: Vera Jackisch
Sprache: auf Englisch
Ziel dieses Kurses ist es, eine Einführung in die Theorie der linearen partiellen Differentialgleichungen und deren Finite-Differenzen- sowie Finite-Elemente-Approximationen. Finite-Elemente-Methoden zur Approximation partieller Differentialgleichungen haben einen hohen Reifegrad erreicht und sind ein unverzichtbares Werkzeug in Wissenschaft und Technik. Wir geben eine Einführung in die Konstruktion, Analyse und Implementierung von Finite-Elemente-Methoden für verschiedene Modellprobleme. Wir behandeln elementare Eigenschaften von linearen partiellen Differentialgleichungen zusammen mit deren grundlegender numerischer Approximation, dem funktionalanalytischen Ansatz für den strengen Nachweis der Existenz von Lösungen sowie die Konstruktion und Analyse grundlegender Finite-Elemente-Methoden.
Notwendig: Analysis~I und II, Lineare Algebra~I und II sowie höherdimensionale Integration (z.B. aus Analysis III oder aus Erweiterung der Analysis) \ Nützlich: Numerik für Differentialgleichungem, Funktionalanalysis
Advanced Lecture in Numerics
Elective in Data
Vorlesung: Mo, Mi, 14-16 Uhr, SR 404, Ernst-Zermelo-Str. 1
Dozent:in: Ernst August v. Hammerstein
Assistenz: Sebastian Stroppel
Sprache: auf Englisch
Die Vorlesung "Mathematische Statistik"' baut auf Grundkenntnissen aus der Vorlesung "Wahrscheinlichkeitstheorie"' auf.
Das grundlegende Problem der Statistik ist, anhand einer Stichprobe von Beobachtungen möglichst präzise Aussagen über den datengenerierenden
Prozess bzw. die den Daten zugrundeliegenden Verteilungen zu machen. Hierzu werden in der Vorlesung die wichtigsten Methoden aus der statistischen Entscheidungstheorie wie Test- und Schätzverfahren eingeführt.
Stichworte hierzu sind u.a. Bayes-Schätzer und -Tests, Neyman-Pearson-Testtheorie, Maximum-Likelihood-Schätzer, UMVU-Schätzer, exponentielle Familien, lineare Modelle. Weitere Themen sind Ordnungsprinzipien zur Reduktion der Komplexität der Modelle (Suffizienz und Invarianz).
Statistische Methoden und Verfahren kommen nicht nur in den Naturwissenschaften und der Medizin, sondern in nahezu allen Bereichen zum Einsatz, in denen Daten erhoben und analysiert werden, so z. B. auch in den Wirtschaftswissenschaften (Ökonometrie) und Sozialwissenschaften (dort vor allem in der Psychologie). Im Rahmen dieser Vorlesung wird der Schwerpunkt aber weniger auf Anwendungen, sondern – wie der Name schon sagt – mehr auf der mathematisch fundierten Begründung der Verfahren liegen.
Notwendig: Wahrscheinlichkeitstheorie (insbesondere Maßtheorie sowie bedingte Wahrscheinlichkeiten und Erwartungen)
Advanced Lecture in Stochastics
Elective in Data
Theorie und Numerik für Partieller Differentialgleichungen – Nichtlineare Probleme
Dozent:in: Sören Bartels, Patrick Dondl
Sprache: auf Englisch
Die Vorlesung behandelt die Entwicklung und Analyse von numerischen Methoden für die Approximation bestimmter nichtlinearer partieller Differentialgleichungen. Zu den betrachteten Modellproblemen gehören harmonische Abbildungen in Sphären, total-variable regulierte Minimierungsprobleme und nichtlineare Krümmungsmodelle. Für jedes der Probleme wird eine geeignete Finite-Elemente-Diskretisierung entwickelt, ihre Konvergenz wird analysiert und iterative Lösungsverfahren werden entwickelt. Die Vorlesung wird durch theoretische und praktische Übungen ergänzt, in denen die Ergebnisse vertieft und experimentell überprüft werden.
Notwendig: Einführung in Theorie und Numerik partieller Differetialgleichungen oder Einführung in partielle Differentialgleichungen
Advanced Lecture in Numerics
Elective in Data
Fragestunde / flipped classroom: Mo, 10-12 Uhr, HS II, Albertstr. 23b
Vorlesung (4-stündig): asynchrone Videos
Dozent:in: Peter Pfaffelhuber
Assistenz: Samuel Adeosun
Sprache: auf Englisch
Ein stochastischer Prozess \((X_t)_{t\in I}\) ist nichts weiter als eine Familie von Zufallsvariablen, wobei etwa \(I = [0,\infty)\) eine kontinuierliche Zeitmenge ist. Einfache Beispiele sind Irrfahrten, Markov-Ketten, die Brown’sche Bewegung oder davon abgeleitete Prozesse. Letztere spielen vor allem in der Modellierung von finanzmathematischen oder naturwissenschaftlichen Fragestellungen eine große Rolle. Wir werden zunächst Martingale behandeln, die in allgemeiner Form faire Spiele beschreiben. Nach der Konstruktion des Poisson-Prozesses und der Brown’sche Bewegung konstruieren, werden wir uns auf Eigenschaften der Brown'schen Bewegung konzentriieren. Infinitesimale Charakteristiken eines Markov-Prozesses werden durch Generatoren beschrieben, was eine Verbindung zur Theorie von partiellen Differentialgleichungen ermöglicht. Abschließend kommt mit dem Ergodensatz fur stationäre stochastische Prozesse eine Verallgemeinerung des Gesetzes der großen Zahlen zur Sprache. Weiter werden Einblicke in ein paar Anwendungsgebiete, etwa Biomathematik oder zufällige Graphen gegeben.
Notwendig: Wahrscheinlichkeitstheorie~I
Advanced Lecture in Stochastics
Elective in Data
Vorlesung: Mo, Mi, 12-14 Uhr, SR 404, Ernst-Zermelo-Str. 1
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: Thorsten Schmidt
Assistenz: Moritz Ritter
Sprache: auf Englisch
Diese Vorlesung bildet den Höhepunkt unserer Reihe zur Wahrscheinlichkeitstheorie und erreicht das ultimative Ziel dieser Reihe: Die Kombination von stochastischer Analysis und Finanzmathematik, ein Gebiet, das seit den 1990er Jahren eine erstaunliche Fülle von faszinierenden Ergebnissen hervorgebracht hat. Der Kern ist sicherlich die Anwendung der Semi-Martingale-Theorie auf die Finanzmärkte, die in dem fundamentalen Theorem der Preisbildung von Vermögenswerten kummulieren. Dieses Ergebnis wird überall auf den Finanzmärkten verwendet. Danach befassen wir uns mit modernen Formen der stochastischen Analysis, die neuronale SDEs, Signaturmethoden, Unsicherheits- und Terminstrukturmodelle. Die Vorlesung schließt mit einer Untersuchung der neuesten Anwendungen von maschinellem Lernen auf den Finanzmärkten und dem wechselseitigen Einfluss der stochastischen Analyse auf maschinelles Lernen ab.
Notwendig: Wahrscheinlichkeitstheorie II (Stochastische Prozesse)
Advanced Lecture in Stochastics
Elective in Data
Vorlesung: Mo, 10-12 Uhr, HS 3042, KG III
Dozent:in: Eva Lütkebohmert-Holtz
Assistenz: Hongyi Shen
Sprache: auf Englisch
Dieser Kurs bietet eine Einführung in die Finanzmärkte und -produkte. Neben Futures und Standard-Put- und Call-Optionen europäischer und amerikanischer Art werden auch zinssensitive Instrumente wie z.B. Swaps behandelt. Für die Bewertung von Finanzderivaten führen wir zunächst Finanzmodelle in diskreter Zeit ein, wie das Cox-Ross-Rubinstein-Modell vor und erläutern die Grundprinzipien der risikoneutralen Bewertung. Schließlich diskutieren wir das berühmte Black-Scholes-Modell, das ein zeitkontinuierliches Modell für die Optionsbewertung darstellt.
Notwendig: Stochastik~I
Elective in Data
Vorlesung: Do, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: David Criens
Assistenz: Dario Kieffer
Sprache: auf Englisch
Die Klasse der Markov-Ketten ist eine wichtige Klasse von (zeitdiskreten) stochastischen Prozessen, die häufig verwendet werden, um zum Beispiel die Ausbreitung von Infektionen, Warteschlangensysteme oder Wechsel von Wirtschaftsszenarien zu modellieren. Ihr Hauptmerkmal ist die Markov-Eigenschaft, was in etwa bedeutet, dass die Zukunft von der Vergangenheit nur durch den aktuellen Zustand abhängt. In dieser Vorlesung wird die mathematischen Grundlagen der Theorie der Markov-Ketten vorgestellt. Insbesondere diskutieren wir über Pfadeigenschaften, wie Rekurrenz, Transienz, Zustandsklassifikationen sowie die Konvergenz zu einem Gleichgewicht. Wir untersuchen auch Erweiterungen auf kontinuierliche Zeit. Auf dem Weg dorthin diskutieren wir Anwendungen in der Biologie, in Warteschlangensystemen und im Ressourcenmanagement. Wenn es die Zeit erlaubt, werfen wir auch einen Blick auf Markov-Ketten mit zufälligen Übergangswahrscheinlichkeiten, sogenannten Irrfahrten in zufälliger Umgebung, ein verbreitetes Modell für Zufällige Medien.
Notwendig: Stochastik~I \ Nützlich: Analysis~III, Wahrscheinlichkeitstheorie~I
Elective in Data
Übung: Mi, 10-12 Uhr, HS II, Albertstr. 23b
Vorlesung (2-stündig): asynchrone Videos
Mündliche Prüfung 28.02.
Dozent:in: Peter Pfaffelhuber
Assistenz: Samuel Adeosun
Sprache: auf Englisch
Die Maßtheorie ist die Grundlage der fortgeschrittenen Wahrscheinlichkeitstheorie. In diesem Kurs bauen wir auf den Kenntnissen der Analysis auf und liefern alle notwendigen Ergebnisse für spätere Kurse in Statistik, probabilistischem maschinellem Lernen und stochastischen Prozessen. Der Kurs beinhaltet Mengensysteme, Konstruktionen von Maßen über äußere Maße, das Integral und Produktmaße.
Notwendig: Grundlagenvorlesung in Analysis und Verständnis mathematischer Beweise.
Elective in Data
Vorlesung: Di, Fr, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt
Praktische Übung: 2-stündig, Termin wird noch festgelegt
Mündliche Prüfung 06.12.
Die Veranstaltung findet nur in der ersten Semesterhälfte, bis Ende November statt!
Dozent:in: Diyora Salimova
Assistenz: Ilkhom Mukhammadiev
Sprache: auf Englisch
Ziel dieses Kurses ist es, die Studierenden in die Lage zu versetzen, Simulationen und deren mathematische Analyse für stochastische Modelle aus Anwendungen wie der Finanzmathematik und der Physik durchzuführen. Zu diesem Zweck vermittelt der Kurs ein solides Wissen über stochastische Differentialgleichungen (SDEs) und deren Lösungen. Darüber hinaus werden verschiedene numerische Methoden für SDEs, ihre zugrunde liegenden Ideen, Konvergenzeigenschaften und Implementierungsprobleme untersucht.
Notwendig: Stochastik, Maßtheorie, Numerik und MATLAB-Programmierung.
Elective in Data
Übung / flipped classroom: Di, 14-16 Uhr, HS II, Albertstr. 23b
Dozent:in: Moritz Diehl
Assistenz: Florian Messerer
Sprache: auf Englisch
Ziel des Kurses ist es, eine Einführung in numerische Methoden zu geben für die Lösung optimaler Kontrollprobleme in Wissenschaft und Technik. Der Schwerpunkt liegt sowohl auf zeitdiskreter als auch auf zeitkontinuierlicher optimaler Steuerung in kontinuierlichen Zustandsräumen. Der Kurs richtet sich an ein gemischtes Publikum von Studierenden der Mathematik, Ingenieurwissenschaften und Informatik.
Der Kurs deckt die folgenden Themen ab:
Die Vorlesung wird von intensiven wöchentlichen Computerübungen begleitet, die sowohl in in MATLAB und Python (6~ECTS) absolviert werden können. Es wird außerdem ein optionales Projekt (3~ECTS) angeboten. Dieses besteht in der Formulierung und Implementierung eines selbstgewählten optimalen Kontrollproblems und einer numerischen Lösungsmethode, die in einem Projektbericht dokumentiert und abschließend präsentiert wrird.
Notwendig: Analysis~I und II, Lineare Algebra~I und II Nützlich: Numerik I, Gewöhnliche Differentialgleichungen, Numerische Optimierung
Elective in Data
Bitte beachten Sie die in den Kommentaren zum Vorlesungsverzeichnis veröffentlichten Anmeldemodalitäten zu den einzelnen Seminaren: In der Regel erfolgt die Platzvergabe nach Voranmeldung per E-Mail bei der Vorbesprechung am Ende der Vorlesungszeit des Sommersemesters. Anschließend müssen Sie sich noch online zur Prüfung anmelden; der Anmeldezeitraum läuft vom 1. August 2024 bis voraussichtlich 9. Oktober 2024.
Seminar: Fr, 10-12 Uhr, SR 125, Ernst-Zermelo-Str. 1
Voranmeldung: per E-Mail an Thorsten Schmidt
Vorbesprechung 18.10.
Vortragsbesprechungen (Tutorium zum Seminar): Termine nach Vereinbarung
Dozent:in: Thorsten Schmidt
Assistenz: Moritz Ritter
Sprache: Vorträge/Teilnahme auf Deutsch oder auf Englisch möglich
Dieses Seminar wird sich auf theoretische Ergebnisse des maschinellen Lernens konzentrieren, einschließlich moderner universeller Approximationssätze, der Näherung von Filtermethoden durch Transformationen, der Anwendung von Methoden des maschinellen Lernens in Finanzmärkten und möglicherweise anderen verwandten Themen. Darüber hinaus werden wir Themen der stochastischen Analyse behandeln, wie die fraktionale Itô-Kalkulation, Unsicherheit, Filterung und optimalen Transport. Sie sind auch eingeladen, Themen vorzuschlagen.
Das Seminar richtet sich an Studierende, die mindestens Stochastik und Maschinelles Lernen oder Wahrscheinlichkeitstheorie II gehört haben.
Elective in Data
Mathematical Seminar
Machine-Learning Methods in the Approximation of PDEs
Dozent:in: Sören Bartels
Assistenz: Tatjana Schreiber
Sprache: Vorträge/Teilnahme auf Deutsch oder auf Englisch möglich
In jüngster Zeit wurden Methoden des maschinellen Lernens zur Annäherung von Lösungen von partiellen Differentialgleichungen verwendet. Während sie in einigen Fällen zu zu Vorteilen gegenüber klassischen Ansätzen führen, ist ihre generelle Überlegenheit noch weitgehend offen. In diesem Seminar werden wir die wichtigsten Konzepte und jüngsten Entwicklungen besprechen.
Einführung in Theorie und Numerik partieller Differentialgleichungen
Elective in Data
Mathematical Seminar
Medical Data Science
Seminar: Mi, 10-11: 30 Uhr, HS Medizinische Biometrie, 1. OG, Stefan-Meier-Str. 26
Voranmeldung: per E-Mail an Olga Sieber
Vorbesprechung 17.07., HS Medizinische Biometrie, 1. OG, Stefan-Meier-Str. 26
Dozent:in: Harald Binder
Sprache: Vorträge/Teilnahme auf Deutsch oder auf Englisch möglich
Zur Beantwortung komplexer biomedizinischer Fragestellungen aus großen Datenmengen ist oft ein breites Spektrum an Analysewerkzeugen notwendig, z.B. Deep-Learning- oder allgemeiner Machine-Learning-Techniken, was häufig unter dem Begriff "`Medical Data Science"' zusammengefasst wird. Statistische Ansätze spielen eine wesentliche Rolle als Basis dafür. Eine Auswahl von Ansätzen soll in den Seminarvorträgen vorgestellt werden, die sich an kürzlich erschienenen Originalarbeiten orientieren. Die genaue thematische Ausrichtung wird noch festgelegt.
Gute Kenntnisse in Wahrscheinlichkeitstheorie und Mathematischer Statistik.
Elective in Data
Mathematical Seminar
Details zur Veranstaltung: bitte den Veranstaltungstitel anklicken und dann dem Link folgen!
Vorlesung: Mo, 10-12 Uhr, 01-009/13, Georges-Köhler-Allee 101
Veranstaltung der Technischen Fakultät
Dozent:in: Thomas Brox
Sprache: auf Englisch
Elective in Data
Vorlesung: Di, 10-12 Uhr, HS 00-006, Georges-Köhler-Allee 082
Veranstaltung der Technischen Fakultät
Dozent:in: Abhinav Valada
Sprache: auf Englisch
Elective in Data
Vorlesung und Übungen finden blockweise in einzelnen Semesterwochen statt; die genauen Termine sind auf der Webseite der Veranstaltung aufgelistet.
Veranstaltung des Instituts für Wirtschaftswissenschaften
Dozent:in: Ekaterina Kazak
Sprache: auf Englisch
Elective in Data
Vorlesung: Mo, 12: 30-14 Uhr, HS 1098, KG I, Di, 12: 30-14 Uhr, HS 1199, KG I
Übung: 2-stündig, verschiedene Termine
Veranstaltung des Instituts für Wirtschaftswissenschaften
Dozent:in: Roxana Halbleib
Sprache: auf Englisch
Elective in Data
Vorlesung: Fr, 8-10 Uhr, HS 00-026, Georges-Köhler-Allee 101
Veranstaltung der Technischen Fakultät
Dozent:in: Joschka Boedecker
Sprache: auf Englisch
Elective in Data
Vorlesung: Mo, 8: 30-10 Uhr, HS 00-026, Georges-Köhler-Allee 101, Mi, 8: 30-10 Uhr, HS 00-036, Georges-Köhler-Allee 101
Übung: 2-stündig, verschiedene Termine
Veranstaltung der Technischen Fakultät
Dozent:in: Moritz Diehl
Sprache: auf Englisch
Elective in Data
Weitere Veranstaltungen können nach Absprache mit dem Fachprüfungsausschuss als Elective in Data oder als Elective zugelassen werden.