Ort und Zeit

Vorlesung: Mo, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Lehre

Dozent:in: Sören Bartels
Assistenz: Tatjana Schreiber
Sprache: auf Englisch

Inhalt

The lecture addresses algorithmic aspects in the practical realization of mathematical methods in big data analytics and machine learning. The first part will be devoted to the development of recommendation systems, clustering methods and sparse recovery techniques. The architecture and approximation properties as well as the training of neural networks are the subject of the second part. Convergence results for accelerated gradient descent methods for nonsmooth problems will be analyzed in the third part of the course. The lecture is accompanied by weekly tutorials which will involve both, practical and theoretical exercises.

Vorkenntnisse

Numerik I, II oder Basics in Applied Mathematics

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.

Ort und Zeit

Vorlesung: Mo, 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: Sören Bartels
Assistenz: Tatjana Schreiber
Sprache: auf Englisch

Inhalt

The lecture addresses the development and analysis of numerical methods for the approximation of certain nonlinear partial differential equations. The considered model problems include harmonic maps into spheres and total-variation regularized minimization problems. For each of the problems, a suitable finite element discretization is devised, its convergence is analyzed and iterative solution procedures are developed. The lecture is complemented by theoretical and practical lab tutorials in which the results are deepened and experimentally tested.

Vorkenntnisse

'Einführung in Theorie und Numerik partieller Differentialgleichungen' oder 'Einführung in partielle Differentialgleichungen'

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.

Ort und Zeit

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 2025 als Teil des Kommentierten Vorlesungsverzeichnisses veröffentlicht werden.

Lehre

Dozent:in: Sören Bartels
Assistenz: Tatjana Schreiber
Sprache: auf Englisch

Inhalt

In the practical exercises accompanying the lecture 'Theory and Numerics for Partial Differential Equations – Selected Nonlinear Problems', the algorithms developed and analyzed in the lecture are implemented and tested experimentally. The implementation can be carried out in the programming languages Matlab, C++ or Python. Elementary programming knowledge is assumed.

Vorkenntnisse

siehe bei der Vorlesung

Verwendbarkeit

Wahlmodul im Optionsbereich (2HfB21)
Wahlmodul (BSc21)
Mathematische Ergänzung (MEd18)
Wahlmodul (MSc14)
Elective (MScData24)

Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.

Ort und Zeit

Vorlesung: Mi, 10-12 Uhr, SR 226, Hermann-Herder-Str. 10
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Lehre

Dozent:in: Sören Bartels
Assistenz: Tatjana Schreiber
Sprache: auf Englisch

Inhalt

The lecture addresses algorithmic aspects in the practical realization of mathematical methods in big data analytics and machine learning. The first part will be devoted to the development of recommendation systems, clustering methods and sparse recovery techniques. The architecture and approximation properties as well as the training of neural networks are the subject of the second part. Convergence results for accelerated gradient descent methods for nonsmooth problems will be analyzed in the third part of the course. The lecture is accompanied by weekly tutorials which will involve both, practical and theoretical exercises.

Vorkenntnisse

Numerik I, II oder Basics in Applied Mathematics

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.

Ort und Zeit

Seminar: Mo, 12-14 Uhr, SR 226, Hermann-Herder-Str. 10
Seminarvorbesprechung 04.02., 12:00, Raum 209, Hermann-Herder-Str. 10, Bei Verhinderung bei der Vorbesprechung Anmeldung per E-Mail an Sören Bartels.

Lehre

Dozent:in: Sören Bartels
Assistenz: Vera Jackisch, Tatjana Schreiber
Sprache: Vortrag/Teilnahme auf Deutsch oder Englisch möglich

Inhalt

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.

Vorkenntnisse

Einführung in Theorie und Numerik partieller Differentialgleichungen

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.

Ort und Zeit

Vorlesung: Mi, 14-16 Uhr, HS Weismann-Haus, Albertstr. 21a
Übung: 2-stündig 14-täglich, verschiedene Termine

Lehre

Dozent:in: Sören Bartels
Assistenz: Tatjana Schreiber
Sprache: auf Deutsch

Inhalt

Die Numerik ist eine Teildisziplin der Mathematik, die sich mit der praktischen Lösung mathematischer Aufgaben beschäftigt. Dabei werden Probleme in der Regel nicht exakt sondern approximativ gelöst, wofür ein sinnvoller Kompromiss aus Genauigkeit und Rechenaufwand zu finden ist. Im ersten Teil des zweisemestrigen Kurses stehen Fragestellungen der Linearen Algebra wie das Lösen linearer Gleichungssysteme und die Bestimmung von Eigenwerten einer Matrix im Vordergrund. Der Besuch der begleitenden praktischen Übung wird empfohlen. Diese finden 14-täglich im Wechsel mit der Übung zur Vorlesung statt.

Vorkenntnisse

Notwendig: Lineare Algebra~I \ Nützlich: Lineare Algebra~II und Analysis~I (notwendig für Numerik~II)

Verwendbarkeit

Numerik (BSc21)
Numerik (2HfB21, MEH21)
Numerik I (MEB21)

Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.

Ort und Zeit

Praktische Übung: 2-stündig 14-täglich, verschiedene Termine

Lehre

Dozent:in: Sören Bartels
Assistenz: Tatjana Schreiber
Sprache: auf Deutsch

Inhalt

In den begleitenden praktischen Übungen zur Vorlesung Numerik I werden die in der Vorlesung entwickelten und analysierten Algorithmen praktisch umgesetzt und experimentell getestet. Die Implementierung erfolgt in den Programmiersprachen Matlab, C++ und Python. Elementare Programmierkenntnisse werden dabei vorausgesetzt.

Vorkenntnisse

Siehe bei der Vorlesung {\em Numerik I} (die gleichzeitig gehört werden oder schon absolviert sein soll). \ Zusätzlich: Elementare Programmiervorkenntnisse zum Beispiel aus dem Kurs \emph{Einführung in die Programmierung für Studierende der Naturwissenschaften}.

Verwendbarkeit

Praktische Übung (2HfB21, MEH21, MEB21)
Wahlmodul im Optionsbereich (2HfB21)
Numerik (BSc21)
Mathematische Ergänzung (MEd18)

Die Zahl der ECTS-Punkte entnehmen Sie bitte den Ergänzungen zu den Modulhandbüchern.

Ort und Zeit

Seminar geplant als Blockseminar
Voranmeldung: per E-Mail an Sören Bartels
Seminarvorbesprechung 08.07., 12:30, Raum 209, Hermann-Herder-Str. 10
Individuelle Vortragsvorbesprechungen: Termine nach Vereinbarung

Lehre

Dozent:in: Sören Bartels
Assistenz: Tatjana Schreiber
Sprache: Vorträge/Teilnahme auf Deutsch oder auf Englisch möglich

Inhalt

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.

Vorkenntnisse

Einführung in Theorie und Numerik partieller Differentialgleichungen

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.