Achtung: Es gibt einige kurzfristige Raumänderungen!
Die Seminarplätze werden in der Regel am Ende der Vorlesungszeit des Wintersemesters vergeben. Im Kommentierten Vorlesungsverzeichnis wird für jedes Seminar beschrieben, ob und wie eine Voranmeldung erfolgen muss und wann die Vorbesprechung stattfindet.Sofern Sie einen Platz in einem Seminar erhalten haben, müssen Sie sich noch online zur Prüfung anmelden; der Anmeldezeitraum läuft voraussichtlich vom 1. März bis 14. April 2025.
Seminar: Mo, 12-14 Uhr, online, -
Voranmeldung: per E-Mail an Diyora Salimova
Vorbesprechung 14.04., 15:00, über Zoom (bitte schreiben Sie der Dozentein, falls der Termin nicht passt)
Vortragsbesprechungen (Tutorium zum Seminar): Termine nach Vereinbarung
Dozent:in: Diyora Salimova
Sprache: Vortrag/Teilnahme auf Deutsch oder Englisch möglich
In recent years, deep learning have been successfully employed for a multitude of computational problems including object and face recognition, natural language processing, fraud detection, computational advertisement, and numerical approximations of differential equations. Such simulations indicate that neural networks seem to admit the fundamental power to efficiently approximate high-dimensional functions appearing in these applications.
The seminar will review some classical and recent mathematical results on approximation properties of deep learning. We will focus on mathematical proof techniques to obtain approximation estimates on various classes of data including, in particular, certain types of PDE solutions.
Grundlagen der Funktionalanalysis, der Numerik partieller Differentialgleichungen und der Wahrscheinlichkeitstheorie.
Elective in Data
Mathematical Seminar
Dozent:in: Harald Binder
Sprache: Vortrag/Teilnahme auf Deutsch oder 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
Seminar: Numerik partieller Differentialgleichungen
Seminar: Mo, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Vorbesprechung 04.02., 12:00, Raum 209, Hermann-Herder-Str. 10, Bei Verhinderung bei der Vorbesprechung Anmeldung per E-Mail an Sören Bartels.
Dozent:in: Sören Bartels
Assistenz: Vera Jackisch, Tatjana Schreiber
Sprache: Vortrag/Teilnahme auf Deutsch oder Englisch möglich
Im Seminar sollen weiterführende Themen der Theorie und Numerik partieller Differentialgleichungen behandelt werden. Dazu gehören die iterative Lösung der entstehenden linearen Gleichungssysteme mit Mehrgitter- und Gebietszerlegungsmethoden, die adaptive Verfeinerung von Finite-Elemente-Gittern, die Herleitung einer Approximationstheorie mit expliziten Konstanten sowie die Lösung nichtlinearer Probleme.
Einführung in Theorie und Numerik partieller Differentialgleichungen
Elective in Data
Mathematical Seminar
Seminar: Die Wiener-Chaos-Zerlegung und (nicht-)zentrale Grenzwertsätze
Dozent:in: Angelika Rohde
Sprache: Vortrag/Teilnahme auf Deutsch oder Englisch möglich
Wohingegen lineare Transformationen von Gaußprozessen ihre gaußsche Eigenschaft bewahren, gilt dies für nichtlineare Funktionale, beispielsweise additive Funktionale der Form \[\int_0^T f(X_s) ds\qquad \text{ oder }\qquad \sum_{k=1}^n f(X_{k/n}),\] im Allgemeinen nicht. Die Wiener-Chaos-Zerlegung bietet einen Rahmen zur Analyse nichtlinearer Funktionale von Gaußprozessen. Es handelt sich hierbei um eine orthogonale Zerlegung des Raumes \[L^2(\mathbb{P}) = \bigoplus_{k=1}^\infty \mathcal{H}_k\] der bezüglich \(\mathbb{P}\) quadratintegrierbaren Zufallsvariablen, wobei \(\mathbb{P}\) ein gaußsches Wahrscheinlichkeitsmaß ist. Dieses Konzept verallgemeinert dabei die Eigenschaften orthogonaler Polynome bezüglich eines Wahrscheinlichkeitsmaßes auf der reellen Achse auf ein (potentiell) unendlichdimensionales Szenario. Es stellt sich heraus, dass Elemente eines Wiener-Chaos \(\mathcal{H}_k\) als mehrfache Wiener-Itô-Integrale dargestellt werden können, welche wiederum gut verstandene Objekte sind.
In diesem Seminar werden wir die grundlegenden Eigenschaften des Wiener-Chaos untersuchen, beginnend mit der Hermite-Polynombasis. Anschließend wenden wir uns fortgeschrittenen Themen wie Anwendungen im Malliavin-Kalkül zu, einem unendlichdimensionalen Differential-Kalkül auf gaußschen Wahrscheinlichkeitsräumen (stochastische Variationsrechnung). Des Weiteren werden zentrale und nichtzentrale Grenzwertsätze für nichtlineare Funktionale von gaußschen und nicht-gaußschen Prozessen sowie Invarianzprinzipien behandelt.
Notwendige Vorkenntnisse bestehen nur aus Kenntnissen der Wahrscheinlichkeitstheorie I.
Für einige Vorträge sind Vorkenntnisse der Wahrscheinlichkeitstheorie II (Stochastische Prozesse) nützlich. Ihre individuellen Vorkenntnisse können bei der Vergabe der Themen jedoch selbstverständlich berücksichtigt werden.
Elective in Data
Mathematical Seminar
Hinweis: Nur verwendbar im Studiengang "Mathematics in Data and Technology"
Dozent:in: Nadine Binder
Sprache: Vortrag/Teilnahme auf Deutsch oder Englisch möglich
Imagine being able to use routine data such as diagnoses, lab results, and medication plans to answer medical questions in innovative ways and improve patient care. In this seminar, we will learn to identify relevant data, understand suitable analysis methods, and what to consider when applying them in practice. Together, we will analyze scientific studies on routine data and discuss clinical questions, the methods used, and their feasibility for implementation.
What makes this seminar special: Medical and mathematics students collaborate to understand scientific studies from both perspectives. When possible, you will work in pairs (or individually if no pair can be formed) to analyze a study from your respective viewpoints and prepare related presentations. You may test available programming code or develop your own approaches to replicate the methods and apply them to your own questions. The pairs can be formed during the preliminary meeting.
notwendig: Basismodul
nützlich: Wahrscheinlichkeitstheorie I
Elective in Data
Mathematical Seminar