Vorläufiges Vorlesungsverzeichnis – Änderungen und Ergänzungen sind wahrscheinlich.
Klicken Sie auf den Veranstaltungstitel für weitere Informationen!
Analysis III
Vorlesung: Mo, Mi, 10-12 Uhr, HS Weismann-Haus, Albertstr. 21a
Übung: 2-stündig, verschiedene Termine
Klausur: Datum wird noch bekanntgegeben
Dozent:in: Michael Růžička
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
Introduction to Theory and Numerics of Partial Differential Equations (Einführung in Theorie und Numerik Partieller Differentialgleichungen)
Vorlesung: Mo, Mi, 12-14 Uhr, HS II, Albertstr. 23b
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: Patrick Dondl
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
Mathematical Statistics (Mathematische Statistik)
Vorlesung: Di, Do, 14-16 Uhr, SR 404, Ernst-Zermelo-Str. 1
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: Ernst August v. Hammerstein
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
Probabilistic Machine Learning
Vorlesung: Di, Do, 12-14 Uhr, HS II, Albertstr. 23b
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: Giuseppe Genovese
Assistenz: Sebastian Stroppel
Advanced Lecture in Stochastics
Elective in Data
Probability Theory II – Stochastic Processes (Wahrscheinlichkeitstheorie II – Stochastische Prozesse)
Vorlesung: Mo, Mi, 14-16 Uhr, HS II, Albertstr. 23b
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: Angelika Rohde
Sprache: auf Englisch
Advanced Lecture in Stochastics
Elective in Data
Futures and Options
Vorlesung: Mo, 10-12 Uhr, -, -
Übung: Di, 8-10 Uhr, -, -
noch unbestätigt!
Dozent:in: Eva Lütkebohmert-Holtz
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
Machine Learning and Mathematical Logic
Vorlesung: Do, 14-16 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt
noch unter Vorbehalt!
Dozent:in: Maxwell Levine
Sprache: auf Englisch
Elective in Data
Markov Chains (Markov-Ketten)
Vorlesung: Mi, 10-12 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: David Criens
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
Measure Theory (Maßtheorie)
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
Mathematical Introduction to Deep Neural Networks
Vorlesung: Mi, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: Diyora Salimova
Sprache: auf Englisch
Elective in Data
Numerical Optimal Control
Übung / flipped classroom: Di, 14-16 Uhr, HS II, Albertstr. 23b
Dozent:in: Moritz Diehl
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
Theory and Numerics for Partial Differential Equations – ??
Vorlesung: Mo, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt
evtl. nur zweistündig
Dozent:in: Sören Bartels
Sprache: auf Englisch
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 2025 bis voraussichtlich 8. Oktober 2025.
Seminar: Computational PDEs
Seminar: Mo, 14-16 Uhr, SR 226, Hermann-Herder-Str. 10
Voranmeldung:
Vorbesprechung
Vortragsbesprechungen (Tutorium zum Seminar): Termine nach Vereinbarung
Dozent:in: Sören Bartels
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: Medical Data Science
Seminar: Mi, 10:15-11:30 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
Seminar aus der Stochastik
Seminar: Mo, 16-18 Uhr, SR 127, Ernst-Zermelo-Str. 1
Dozent:in: Angelika Rohde
Elective in Data
Mathematical Seminar