Wichtig: Anmeldung über http://unihb.eu/bmath erforderlich!

Vorlesungen täglich 10:00 - 11:30 Uhr im HS 1010 (am 27.09 & 29.09 im HS 2010)
Übungen täglich 12:30 - 14:30 Uhr (Räume werde in der ersten Vorlesung bekannt gegeben)

Orientierungswoche für Erstsemesterstudierende in den mathematischen Studiengängen. Alle Details und Infos findest du unter https://math.stugen.de/wordpress/service/o-woche/

Für Studierende des Vollfachs Informatik, Systems Engineering und Wirtschaftinformatik. Für Studierende der Digitalen Medien und Komplementärfach Informatik gibt es die Veranstaltung Grundlagen der Programmierung.
Die Studierenden der Beruflichen Bildung - Mechatronik besuchen PI1 anstatt Grundlagen der Programmierung mit einer reduzierten CP-Anzahl, nämlich 6 CP durch reduzierten Übungsbetrieb.
Die Übungen finden online und in Präsenz statt. Der Übungsbetrieb startet in der 2. Semesterwoche.

Veranstaltung findet am Ende des Wintersemesters als Blockveranstaltung statt. Zeiten und Räume werden noch bekannt gegeben.

Profil: SQ
Schwerpunkt: IMAT-SQ.
mit Zusatzleistung(en) (wird in der Veranstaltung bekannt gegeben) 9 CP für Studierende in den mathematischen Studiengängen

Weitere Infos unter http://www.feb.uni-bremen.de
Termine nach Vereinbarung

Profil: SQ
Schwerpunkt: IMAT-SQ, IMAT-AI

A key assumption of many powerful optimization methods is that all the data is fully accessible from the beginning.

However, from the point of view of many real-world applications (e.g., in logistics, production or project planning, cloud computing, etc.) this assumption is simply not true. Large data centers allocate resources to tasks without knowledge of exact execution times or energy requirements; transit times in networks are often uncertain; or, parameters such as bandwidth, demands or energy consumption are highly fluctuating. The current trend of data collection and data-driven applications often amplifies this phenomenon. As the amount of available data is increasing tremendously due to internet technology, cloud systems and sharing markets, modern algorithms are expected to be highly adaptive and learn and benefit from the dynamically changing mass of data.

In the above examples, our knowledge of the current data is only partial or based on historical estimates. The class ``Algorithms and Uncertainty'' will teach students about the most common models of such uncertain data and how to design and analyze efficient algorithms in these models.

Specifically, we will cover the theory of online optimization, where the input arrives without any prior information (such as network packets arriving to a router) and also needs to be processed immediately, before the next piece of input arrives. This model is best suited for analyzing critical networking and scheduling systems where devices and algorithms must perform well even in the worst-case scenario.

In the cases where previous history can be used to model the upcoming data, we often employ robust optimization or stochastic optimization. In robust optimization, the aim is to optimize the worst-case of all possible realizations of the input data. Hence, this model is rather conservative.
In stochastic optimization however, the algorithms work with the assumption that data is drawn from some probability distribution known ahead of time and typically the goal is to optimize the expected value.

Nowadays, another source of information is often available: machine learning algorithms can generate predictions which are accurate most of the time. However, there is no guarantee on the quality of the prediction, as the current instance may not be covered by the training set. This statement motivated a very recent research domain that will be covered in this course: how to use error-prone predictions in order to improve guaranteed algorithms.

Organization: The course will be taught in English in two sessions per week (4 SWS) including interactive exercise sessions.

Examination: The examination will be by individual oral exam. As admission to the oral exam it is mandatory to present solutions in the exercise session at least twice during the term.

Prerequisites: Having heard an introductory course to discrete algorithms and their mathematical analysis (e.g. Algorithmentheorie, Algorithmische Diskrete Mathematik) or graph theory is beneficial but not required.

Profil: SQ
Schwerpunkt: IMAT-SQ, IMAT-AI

A key assumption of many powerful optimization methods is that all the data is fully accessible from the beginning.

However, from the point of view of many real-world applications (e.g., in logistics, production or project planning, cloud computing, etc.) this assumption is simply not true. Large data centers allocate resources to tasks without knowledge of exact execution times or energy requirements; transit times in networks are often uncertain; or, parameters such as bandwidth, demands or energy consumption are highly fluctuating. The current trend of data collection and data-driven applications often amplifies this phenomenon. As the amount of available data is increasing tremendously due to internet technology, cloud systems and sharing markets, modern algorithms are expected to be highly adaptive and learn and benefit from the dynamically changing mass of data.

In the above examples, our knowledge of the current data is only partial or based on historical estimates. The class ``Algorithms and Uncertainty'' will teach students about the most common models of such uncertain data and how to design and analyze efficient algorithms in these models.

Specifically, we will cover the theory of online optimization, where the input arrives without any prior information (such as network packets arriving to a router) and also needs to be processed immediately, before the next piece of input arrives. This model is best suited for analyzing critical networking and scheduling systems where devices and algorithms must perform well even in the worst-case scenario.

In the cases where previous history can be used to model the upcoming data, we often employ robust optimization or stochastic optimization. In robust optimization, the aim is to optimize the worst-case of all possible realizations of the input data. Hence, this model is rather conservative.
In stochastic optimization however, the algorithms work with the assumption that data is drawn from some probability distribution known ahead of time and typically the goal is to optimize the expected value.

Nowadays, another source of information is often available: machine learning algorithms can generate predictions which are accurate most of the time. However, there is no guarantee on the quality of the prediction, as the current instance may not be covered by the training set. This statement motivated a very recent research domain that will be covered in this course: how to use error-prone predictions in order to improve guaranteed algorithms.

Organization: The course will be taught in English in two sessions per week (4 SWS) including interactive exercise sessions.

Examination: The examination will be by individual oral exam. As admission to the oral exam it is mandatory to present solutions in the exercise session at least twice during the term.

Prerequisites: Having heard an introductory course to discrete algorithms and their mathematical analysis (e.g. Algorithmentheorie, Algorithmische Diskrete Mathematik) or graph theory is beneficial but not required.

Many every-day processes can seen as a game between autonomous interacting players, where each player acts stategically in order to pursue her own objectives. This lecture is an introduction to game-theoretic concepts and techniques, mainly with connections to applications. Use-cases are distributed systems, auctions, online-markets, resource allocation, traffic routing, and sports. The goal of the lecture is to provide an overview over state-of-the-art results in the area of algorithmic game theory. Main topics that we will cover in the course are games in normal form, efficiency of equilibria, auctions, truthfulness and VCG-mechanisms, social choice, cake cutting, and cooperative games.

The lectures and homework sheets will be in English language. If all participants agree, the exercise session could be held in German. If there is an oral exam, the language can be chosen by the candidate. In case of a written exam the questions will be in English, answering them in German or English is fine.

Die Veranstaltung findet im NEOS Gebäude statt.

Das Seminar beschäftigt sich mit den mathematischen Grundlagen der wissenschaftlichen Visualisierung und behandelt Methoden für das parallele Post-Processing großer wissenschaftlicher Datensätze. Solche Daten fallen in unterschiedlichsten wissenschaftlichen Anwendungen an. Sie entstehen zum einen durch Simulationen auf Hochleistungsrechnern (z.\ B. zur Unterstützung der Klimaforschung oder für die Vorhersage von Umströmung von Flugzeugflügeln). Sie können aber auch durch Messungen, wie bspw. durch Erdbeobachtungsmissionen, erzeugt werden. Um überhaupt erst aussagekräftige Informationen für die Visualisierung zu erhalten, müssen diese enorm großen Rohdaten zunächst prozessiert werden. Für eine anschließende explorative Analyse werden echtzeitfähige, interaktive Methoden benötigt, die wiederum auf hochparallele und effiziente Verfahren beruhen. Das Seminar greift daher aktuelle Trends in der wissenschaftlichen Visualisierung auf. Zur Auswahl stehen herausragende Publikationen führender Wissenschaftler, die Themen von Multi-Resolution-Extraktion von Toplologiemerkmalen bis hin zu parallelen Beschleunigungsverfahren für das Volumenrendering in virtuellen Arbeitsumgebungen behandeln.

Die Veranstaltung findet im NEOS Gebäude statt.

Statistical problems are described by statistical models. This means interpreting the data as realizations of random variables whose unconditional or conditional densities are described and estimated by statistical (regression) models. These models are usually identified by a set of parameters, which can be finite but also infinite dimensional. For this purpose, there are usually three types of possible models, depending on the structure of the data and the problem at hand: parametric, nonparametric, and semiparametric. A semiparametric model is characterized by the inclusion of both finite dimensional parametric and infinite dimensional nonparametric components. The main interest is usually in the finite dimensional parametric component, with the infinite dimensional component being co-estimated for the purpose of statistical inference and efficiency. In this seminar we will study the definition, properties, and applications of semiparametric models. Examples of semiparametric models include single-index models and Cox regression models for censored survival time data. We will also consider approaches to dealing with missing information in data sets. The use of semiparametric models plays a major role for medical studies, for example.

Prerequisites for participation in the seminar are basic knowledge of mathematical statistics (e.g. from Statistics 1) and of regression models (e.g. from Statistics 2). English speaking students are welcome.

In order to gain a good insight into the extensive theory of semi-parametric models, we will use the master thesis by Karel Vermeulen as our primary literature and study the chapters that are important for us in more detail, presenting the knowledge gained through the thesis in the form of individual presentations.

A list with the name of the thesis and further literature can be found below.

• Master thesis of Karel Vermeulen. Semiparametric Efficiency
• A. W. van der Vaart. Asymptotic Statistics. Cambridge Series in Statistical and Probabilistic Mathematics. Cambridge University Press, 1998.
• A. W. van der Vaart. ”On Differentiable Functionals“. In: Ann. Statist. 19.1 (März 1991), S. 178–204.
• Tsiatis, Anastasios. Semiparametric Theory and Missing Data. Vereinigtes Königreich, Springer New York, 2010.

regelmäßige Veranstaltung dienstags 14-16 im BIPS Raum 1550.

Homepage zur Veranstaltung: http://anstat.uni-bremen.de/node/6

Weitere Infos auf der Seminar-Homepage

Termin nach Vereinbarung.
Studiengang: T-M

Termin nach Vereinbarung.
Homepage zur Veranstaltung: http://zetem.uni-bremen.de/o2c/veranstaltungen

The course provides an introductory level of programming skills in R.
Students are welcome to present own ideas, data and projects. I expect a project report or a method talk with demo on own data. Practicals in "R" will work also on synthetic data to illustrate methods features, limitations and differences.

Mitarbeitende mit technischem oder naturwissenschaftlichem Hintergrund werden im beruflichen Kontext immer auch mit betriebswirtschaftlichen Fragen konfrontiert.

In diesem Seminar lernen Sie die wichtigsten Teilgebiete der Betriebswirtschaft, sowie die dazugehörigen Zusammenhänge kennen, um diese in Ihrem beruflichen Umfeld anzuwenden. Neben den Grundzügen der BWL umfasst das Seminar u.a. die Bereiche Innovations- und Qualitätsmanagement, Supply-Chain-Management, F+E (Forschung und Entwicklung), Produktions- und Fertigungsplanung, technische Infrastruktur und IT.

Anmeldungen für Oktober laufen vom 07. Juli bis Donnerstag, 08. September 2022 über https://elearning.uni-bremen.de/ (Veranstaltungssuche / Suche im Vorlesungsverzeichnis / Fachübergreifende Studienangebote / Career Center unter: Betriebswirtschaftliche Kompetenzen).

Sobald das Anmeldeverfahren geschlossen ist, bekommen Sie von uns eine E-Mail mit den Zugangsdaten!

Ausführliche Informationen unter:
https://www.uni-bremen.de/career-center/veranstaltungen.html
www.uni-bremen.de/career-center/veranstaltungen/uebersicht
www.uni-bremen.de/career-center/veranstaltungen/uebersicht/detailbeschreibungen
www.uni-bremen.de/career-center/veranstaltungen/kalenderuebersicht

Ziel:
„Warum soll ich genau Sie einstellen?“ – Es lohnt sich, sich mit dieser Frage intensiv auseinanderzusetzen.

Für angehende Absolvierende der Naturwissenschaften und Ingenieurstudiengänge ist dies wichtig, da viele Ansprechpersonen die Faszination der entsprechenden Studienfächer nicht genau kennen und aufgrund der vielseitigen Spezialisierungsmöglichkei-ten in diesen Fächern eine klare Kommunikation entscheidend ist.

Im Workshop lernen Sie Recruiting aus neuer Perspektive kennen und erarbeiten Handwerkszeug für eine selbstbewusste und chancenorientierte Strategie für Ihr „Marketing in eigener Sache“. Durch die ausführliche Beschäftigung mit Ihren Stärken, Ihrer Motivation und Ihrem Begeisterungsvermögen werden Sie Sicherheit für Ihre Präsentation beim potentiellen Arbeitgeber gewinnen und Vorstellungsgespräche souveräner angehen können.

Workshopinhalte:
• Wie funktioniert Personalauswahl heute?
• Arbeitsfelder für Absolvierende der Naturwissenschaften und Ingenieurstudiengänge.

Praxisbeispiele
• Was hebt mich von anderen Bewerbern/Bewerberinnen ab, was zeichnet mich mit einem naturwissenschaftlichen oder Ingenieurstudienabschluss besonders aus?
• Erarbeitung geeigneter Argumentationsideen und Strategien für eine optimale Selbstpräsentation mit einem naturwissenschaftlichen oder Ingenieurstudienabschluss
• Welche Möglichkeiten der Initiativbewerbung gibt es?
• Wie kann ich verschiedene Kontaktpunkte zu potentiellen Arbeitgebern nutzen?
• Tipps für die erfolgreiche Umsetzung der Kommunikationsstrategie in den Bewerbungsunterlagen und im Vorstellungsgespräch

Anmeldungen für Februar 2023 laufen vom 24. November 2022 bis Donnerstag, 19. Januar 2023 über https://elearning.uni-bremen.de/ (Veranstaltungssuche / Suche im Vorlesungsverzeichnis / Fachübergreifende Studienangebote / Career Center unter: Arbeitsmärkte

Sobald das Anmeldeverfahren geschlossen ist, bekommen Sie von uns eine E-Mail mit den Zugangsdaten!

Ausführliche Informationen unter:
www.uni-bremen.de/career-center/veranstaltungen.html
www.uni-bremen.de/career-center/veranstaltungen/uebersicht
www.uni-bremen.de/career-center/veranstaltungen/uebersicht/detailbeschreibungen
www.uni-bremen.de/career-center/veranstaltungen/kalenderuebersicht