Probability Theory III: Stochastic Analysis (Wahrscheinlichkeitstheorie III: Stochastische Analysis)
Vorlesung: Mi, 14-16 Uhr, HS II, Albertstr. 23b, Do, 10-12 Uhr, SR 404, Ernst-Zermelo-Str. 1
Übung: 2-stündig, Termin wird noch festgelegt
Dozent:in: David Criens
Assistenz: Samuel Adeosun
Sprache: auf Englisch
This lecture builds the foundation of one of the key areas of probability theory: stochastic analysis. We start with a rigorous construction of the It^o integral that integrates against a Brownian motion (or, more generally, a continuous local martingale). In this connection, we learn about It^o's celebrated formula, Girsanov’s theorem, representation theorems for continuous local martingales and about the exciting theory of local times. Then, we discuss the relation of Brownian motion and Dirichlet problems. In the final part of the lecture, we study stochastic differential equations, which provide a rich class of stochastic models that are of interest in many areas of applied probability theory, such as mathematical finance, physics or biology. We discuss the main existence and uniqueness results, the connection to the martingale problem of Stroock-Varadhan and the important Yamada-Watanabe theory.
Wahrscheinlichkeitstheorie I und II (Stochastische Prozesse)
Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)
Do, 14-16 Uhr, PC-Pool Raum -100, Hermann-Herder-Str. 10
Dozent:in: Carola Heinzel
Assistenz: Samuel Adeosun
Sprache: auf Englisch
This course introduces the foundational concepts and practical skills necessary for understanding and implementing machine learning models, with a particular focus on deep learning and neural networks. Students will progress from basic programming skills in Python , with a focus on the PyTorch library, to advanced topics such as training multi-layer perceptrons, optimization techniques, and transformer architectures. By the end of the course, participants will have the ability to implement and analyze neural networks, apply optimization strategies, and understand modern transformer-based models for tasks such as text generation and time series analysis.
Programmiergrundkenntnisse und Grundkenntnisse in Stochastik.
Praktische Übung (2HfB21, MEH21, MEB21)
Wahlmodul im Optionsbereich (2HfB21)
Mathematische Ergänzung (MEd18)
Wahlmodul (MSc14)
Elective (MScData24)
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
Wahlmodul im Optionsbereich (2HfB21)
Wahlpflichtmodul Mathematik (BSc21)
Angewandte Mathematik (MSc14)
Mathematik (MSc14)
Vertiefungsmodul (MSc14)
Wahlmodul (MSc14)
Advanced Lecture in Stochastics (MScData24)
Elective in Data (MScData24)
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 (MScData24)
Vorlesung: Mo, 12-14 Uhr, HS II, Albertstr. 23b
Dozent:in: Peter Pfaffelhuber
Assistenz: Samuel Adeosun
Wahlpflichtmodul Mathematik (BSc21)
Mathematische Vertiefung (MEd18, MEH21)
Angewandte Mathematik (MSc14)
Vorlesung: Mo, 10-12 Uhr, HS 1098, KG I
Dozent:in: Ernst August v. Hammerstein
Assistenz: Samuel Adeosun