Lehrveranstaltungen
Lehrveranstaltungen im Wintersemester 2026/2027
1a. Einführende Pflichtvorlesungen der verschiedenen Studiengänge
Ort und Zeit
Vorlesung: Di, Do, 10-12 Uhr, HS II, Albertstr. 23b
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben
Praktische Übung: 2-stündig, Termin wird noch festgelegt
Die Anforderungen an Studien- und Prüfungsleistungen werden in den aktuellen Ergänzungen der Modulhandbücher beschrieben, die ab Ende Oktober als Teil des Kommentierten Vorlesungsverzeichnisses veröffentlicht werden.
Lehre
Dozent:in: Peter Pfaffelhuber, Diyora Salimova
Assistenz: Samuel Ayomide Adeosun
Sprache: auf Englisch
Inhalt
Diese Vorlesung bietet eine Einführung in die grundlegenden Konzepte, Begriffe, Definitionen und Ergebnisse der Stochastik, der Numerik und der Optimierung, begleitet von Programmierprojekten in Python. Der Kurs vertieft die vorhandenen Grundlagen in den drei Gebieten und bietet die Basis für die weiterführenden Vorlesungen dieser Gebiete.
Vorkenntnisse
Keine, die über die Zulassung zum Studiengang hinausgehen.
Verwendbarkeit
Basics in Applied Mathematics (MScData24)
3a. Proseminare
Ort und Zeit
Seminar: Di, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Voranmeldung: bis zum 19.07.2026 per E-Mail an Diyora Salimova
Seminarvorbesprechung 22.07., 11:00-12:00, SR 226, Hermann-Herder-Str. 10
Individuelle Vortragsvorbesprechungen: Termine nach Vereinbarung
Keine Kursbelegung über HISinOne, aber Prüfungsanmeldung bis 14.10.2026 erforderlich!
Lehre
Dozent:in: Diyora Salimova
Assistenz: Ilkhom Mukhammadiev
Sprache: Vorträge/Teilnahme auf Deutsch oder auf Englisch möglich
Inhalt
In diesem Proseminar werden wir verschiedene Aspekte von gewöhnlichen Differentialgleichungen betrachten, einem grundlegenden Gebiet der Mathematik mit weit verbreiteten Anwendungen in den Natur-, Ingenieur- und Wirtschaftswissenschaften und darüber hinaus. Die Studierenden werden sich aktiv an der Präsentation und Diskussion verschiedener Themen beteiligen, darunter Existenz- und Eindeutigkeitstheoreme, Stabilitätsanalyse, lineare Systeme, nichtlineare Dynamik und numerische Methoden zur Lösung von Differentialgleichungen. Die Teilnehmer:innen werden ihre analytischen Fähigkeiten verbessern und ihr theoretisches Verständnis vertiefen, indem sie klassische Probleme und aktuelle Forschungsansätze untersuchen.
Vorkenntnisse
Analysis I und II, Lineare Algebra I und II
Verwendbarkeit
Proseminar (2HfB21, BSc21, MEH21, MEB21)
Lehrveranstaltungen im Sommersemester 2026
1c. Weiterführende zweistündige Vorlesungen
Ort und Zeit
Vorlesung: Mi, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben
Lehre
Dozent:in: Diyora Salimova
Assistenz: Ilkhom Mukhammadiev
Sprache: auf Englisch
Inhalt
The aim of this course is to enable the students to carry out simulations and their mathematical analysis for stochastic models originating from applications such as mathematical finance and physics. For this, the course teaches a decent knowledge on stochastic differential equations (SDEs) and their solutions. Furthermore, different numerical methods for SDEs, their underlying ideas, convergence properties, and implementation issues are studied. The topics we will cover \\ - Preliminaries from measure and probability theory \\ - Generation of random numbers \\ - Monte Carlo integration methods \\ - Stochastic processes and Ito calculus \\ - SDEs \\ - Numerical approximations for SDEs \\ - Applications to computational finance: Option valuation
Vorkenntnisse
Probability and measure theory, basic numerical analysis and basics of MATLAB programming.
Verwendbarkeit
Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)
Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.
3b. Seminare
Ort und Zeit
Seminar: Mi, 14-16 Uhr, SR 226, Hermann-Herder-Str. 10
Voranmeldung: per E-Mail an Diyora Salimova
Seminarvorbesprechung 04.02., 13:15, SR 226, Hermann-Herder-Str. 10
Individuelle Vortragsvorbesprechungen: Termine nach Vereinbarung
Lehre
Dozent:in: Diyora Salimova
Assistenz: Ilkhom Mukhammadiev
Sprache: Vortrag/Teilnahme auf Deutsch oder Englisch möglich
Inhalt
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.
Vorkenntnisse
notwendig: Analysis I/II, Lineare Algebra I/II \ nützlich: Funktionalanalysis, Numerik, Grundlagen des Deep Learning.
Verwendbarkeit
Wahlmodul im Optionsbereich (2HfB21)
Mathematisches Seminar (BSc21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Mathematisches Seminar (MSc14)
Wahlmodul (MSc14)
Mathematical Seminar (MScData24)
Elective in Data (MScData24)
Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.
Lehrveranstaltungen im Wintersemester 2025/2026
1c. Weiterführende zweistündige Vorlesungen
Ort und Zeit
Vorlesung: Mi, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben
Die Anforderungen an Studien- und Prüfungsleistungen werden in den aktuellen Ergänzungen der Modulhandbücher beschrieben, die ab Ende Oktober 2025 als Teil des Kommentierten Vorlesungsverzeichnisses veröffentlicht werden.
Lehre
Dozent:in: Diyora Salimova
Assistenz: Ilkhom Mukhammadiev
Sprache: auf Englisch
Inhalt
The course will provide an introduction to deep learning algorithms with a focus on the mathematical understanding of the objects and methods used. Essential components of deep learning algorithms will be reviewed, including different neural network architectures and optimization algorithms. The course will cover theoretical aspects of deep learning algorithms, including their approximation capabilities, optimization theory, and error analysis.
Vorkenntnisse
Analysis I und II, Lineare Algebra I und II
Verwendbarkeit
Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)
Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.
3a. Proseminare
Ort und Zeit
Seminar: Mi, 14-16 Uhr, SR 226, Hermann-Herder-Str. 10
Voranmeldung: bis zum 10.07.2025 per E-Mail an Diyora Salimova
Seminarvorbesprechung 15.07., 11:00, SR 226, Hermann-Herder-Str. 10
Individuelle Vortragsvorbesprechungen: Termine nach Vereinbarung
In HISinOne keine Belegung, aber Prüfungsanmeldung bis 8.10.2025.
Lehre
Dozent:in: Diyora Salimova
Assistenz: Ilkhom Mukhammadiev
Sprache: Vorträge/Teilnahme auf Deutsch oder auf Englisch möglich
Inhalt
In diesem Proseminar werden wir verschiedene Aspekte von gewöhnlichen Differentialgleichungen betrachten, einem grundlegenden Gebiet der Mathematik mit weit verbreiteten Anwendungen in den Natur-, Ingenieur- und Wirtschaftswissenschaften und darüber hinaus. Die Studenten werden sich aktiv an der Präsentation und Diskussion verschiedener Themen beteiligen, darunter Existenz- und Eindeutigkeitstheoreme, Stabilitätsanalyse, lineare Systeme, nichtlineare Dynamik und numerische Methoden zur Lösung von Differentialgleichungen. Die Teilnehmer werden ihre analytischen Fähigkeiten verbessern und ihr theoretisches Verständnis vertiefen, indem sie klassische Probleme und aktuelle Forschungsansätze untersuchen.
Vorkenntnisse
Analysis I und II, Lineare Algebra I und II
Verwendbarkeit
Proseminar (2HfB21, BSc21, MEH21, MEB21)
Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.
Lehrveranstaltungen im Sommersemester 2025
3b. Seminare
Ort und Zeit
Seminar: Mo, 12-14 Uhr, online, -
Voranmeldung: per E-Mail an Diyora Salimova
Seminarvorbesprechung 14.04., 15:00, über Zoom (bitte schreiben Sie der Dozentein, falls der Termin nicht passt)
Individuelle Vortragsvorbesprechungen: Termine nach Vereinbarung
Lehre
Dozent:in: Diyora Salimova
Assistenz: Ilkhom Mukhammadiev
Sprache: Vortrag/Teilnahme auf Deutsch oder Englisch möglich
Inhalt
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.
Vorkenntnisse
Grundlagen der Funktionalanalysis, der Numerik partieller Differentialgleichungen und der Wahrscheinlichkeitstheorie.
Verwendbarkeit
Wahlmodul im Optionsbereich (2HfB21)
Mathematisches Seminar (BSc21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Mathematisches Seminar (MSc14)
Wahlmodul (MSc14)
Mathematical Seminar (MScData24)
Elective in Data (MScData24)
Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.
Lehrveranstaltungen im Wintersemester 2024/25
1c. Weiterführende zweistündige Vorlesungen
Ort und Zeit
Vorlesung: Di, Fr, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben
Praktische Übung: 2-stündig, Termin wird noch festgelegt
Mündliche Prüfung 06.12.
Die Veranstaltung findet nur in der ersten Semesterhälfte, bis Ende November statt!
Lehre
Dozent:in: Diyora Salimova
Assistenz: Ilkhom Mukhammadiev
Sprache: auf Englisch
Inhalt
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.
Vorkenntnisse
Notwendig: Stochastik, Maßtheorie, Numerik und MATLAB-Programmierung.
Verwendbarkeit
Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Elective in Data (MScData24)
Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.
Lehrveranstaltungen im Sommersemester 2024
1c. Weiterführende zweistündige Vorlesungen
Ort und Zeit
Di, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Lehre
Dozent:in: Diyora Salimova
Assistenz: Philipp Tscherner
4b. Oberseminare
Ort und Zeit
Di, 14-16 Uhr, SR 226, Hermann-Herder-Str. 10
Lehre
Dozent:in: Sören Bartels, Patrick Dondl, Michael Růžička, Diyora Salimova
Lehrveranstaltungen im Wintersemester 2023/24
1b. Weiterführende vierstündige Vorlesungen
Ort und Zeit
Vorlesung: Mo, Mi, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Klausur 14.02., 14:00-16:00
Lehre
Dozent:in: Diyora Salimova
Assistenz: Hedwig Keller
Allgemein: Kategorie III
Verwendbarkeit
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Vertiefung (MEd18, MEH21)
2c. Praktische Übungen
Lehre
Dozent:in: Diyora Salimova
Assistenz: Hedwig Keller
Verwendbarkeit
Mathematische Ergänzung (MEd18)
4b. Oberseminare
Ort und Zeit
Di, 14-16 Uhr, SR 226, Hermann-Herder-Str. 10
Lehre
Dozent:in: Patrick Dondl, Michael Růžička, Diyora Salimova
Lehrveranstaltungen im Sommersemester 2023
1c. Weiterführende zweistündige Vorlesungen
Ort und Zeit
Vorlesung: Mo, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Klausur 07.08., 12:00-14:00
Lehre
Dozent:in: Diyora Salimova
Assistenz: Hedwig Keller
Allgemein: Veranstaltung der Kategorie II
Verwendbarkeit
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Ergänzung (MEd18)
2c. Praktische Übungen
Lehre
Dozent:in: Diyora Salimova
Assistenz: Hedwig Keller
Allgemein: Veranstaltung der Kategorie II
Verwendbarkeit
Wahlpflichtmodul Mathematik (BSc21)
3a. Proseminare
Ort und Zeit
Mi, 12-14 Uhr, SR 125, Ernst-Zermelo-Str. 1
Lehre
Dozent:in: Diyora Salimova
Assistenz: Jakob Rotter
4b. Oberseminare
Ort und Zeit
Di, 14-16 Uhr, SR 226, Hermann-Herder-Str. 10
Lehre
Dozent:in: Sören Bartels, Michael Růžička, Diyora Salimova
Lehrveranstaltungen im Wintersemester 2022/23
1a. Einführende Vorlesungen und Pflichtvorlesungen der verschiedenen Studiengänge
Ort und Zeit
Vorlesung: Mi, 14-16 Uhr, HS Rundbau, Albertstr. 21
Lehre
Dozent:in: Diyora Salimova
Assistenz: Oliver Suchan
Allgemein: Pflichtveranstaltung im B.Sc., Pflichtveranstaltung im 2-Hf-B
Verwendbarkeit
Numerik I (MEB21)
2c. Praktische Übungen
Lehre
Dozent:in: Diyora Salimova
Assistenz: Coffi Aristide Hounkpe, Jakob Rotter, Oliver Suchan
Allgemein: Pflichtveranstaltung im B.Sc.
Verwendbarkeit
Praktische Übung (2HfB21, MEH21, MEB21)
Mathematische Ergänzung (MEd18)
Lehrveranstaltungen im Sommersemester 2022
3b. Seminare
Ort und Zeit
Do, 14-16 Uhr, , online
Lehre
Dozent:in: Diyora Salimova
Assistenz: Coffi Aristide Hounkpe
Verwendbarkeit
Mathematische Ergänzung (MEd18)
Wahlpflichtmodul Mathematik (BSc21)