Ort und Zeit

Vorlesung: Di, Fr, 12-14 Uhr, SR 127, Ernst-Zermelo-Str. 1
Übung: 2-stündig, verschiedene Termine
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: Giuseppe Genovese
Assistenz: Roger Bader
Sprache: auf Englisch

Inhalt

The goal of the course is to provide a mathematical treatment of deep neural networks and energy models, that are the building blocks of many modern machine learning architectures. About neural networks we will study the basics of statistical learning theory, the back-propagation algorithm and stochastic gradient descent, the benefits of depth. About energy models we will cover some of the most used learning and sampling algorithms. In the exercise classes, besides solving theoretical problems, there will be some Python programming sessions to implement the models introduced in the lectures.

Vorkenntnisse

Probability Theory I \
Basic knowledge of Markov chains is useful for some part of the course.

Verwendbarkeit

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)

Ort und Zeit

Vorlesung: Mi, 10-12 Uhr, SR 125, Ernst-Zermelo-Str. 1
Übung: 2-stündig, Termin wird noch festgelegt und in der Vorlesung bekanntgegeben

Lehre

Dozent:in: Giuseppe Genovese
Assistenz: Roger Bader
Sprache: auf Englisch

Inhalt

Randomisierte Algorithmen nutzen probabilistische Ideen, um bestehende Algorithmen zu verbessern und zu vereinfachen, oft auf überraschende Weise. Zur Einführung in diese Methoden werden wir einige der wichtigsten Beispiele für diskrete Strukturen wie Graphen, Bäume und Random Walks auf diskreten Gruppen untersuchen. Der zweite Teil des Kurses konzentriert sich hauptsächlich auf Sampling Algorithmen, die auf probabilistischen Ideen beruhen, wie Markow-Ketten-Monte-Carlo-Verfahren und stochastische Lokalisierung.

Vorkenntnisse

notwendig: Stochastik I

nützlich: Markov-Ketten

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: Di, Do, 12-14 Uhr, HS II, Albertstr. 23b
Übung: Do, 16-18 Uhr, SR 218, Ernst-Zermelo-Str. 1

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: Giuseppe Genovese
Assistenz: Roger Bader
Sprache: auf Englisch

Inhalt

The goal of the course is to provide a mathematical treatment of deep neural networks and energy models, that are the building blocks of many modern machine learning architectures. About neural networks we will study the basics of statistical learning theory, the back-propagation algorithm and stochastic gradient descent, the benefits of depth. About energy models we will cover some of the most used learning and sampling algorithms. In the exercise classes, besides solving theoretical problems, there will be some Python programming sessions to implement the models introduced in the lectures.

Vorkenntnisse

Probability Theory I \
Basic knowledge of Markov chains is useful for some part of the course.

Verwendbarkeit

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)

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