Der Brückenkurs findet in der Zeit vom 12.10.2020 bis 23.10.2020 statt.
Für neu beginnende Studenten und Studentinnen in allen (Techno-)Mathe- und Informatik-Studiengängen des FB3. Anmeldungsdetails auf
http://www.math.uni-bremen.de/brueckenmathematik
Die Rauminformationen kommen nach der Anmeldung.
Die Teilnehmenden sind in Gruppen A und B eingeteilt.
Die Vorlesungen finden vom 12.10 bis 23.10.2020 von 10-11:30h und 12:30-14:00h im GW1 H0070 statt.
Die Übungen finden vom 12.10.2020 bis 23.10.2020 von 08-12h und 12-16h in den Räumen 1090, 1460, 1470 und 1380/1400 statt.

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 Vorlesungen finden online statt und die Übungen in Präsenz in der Ebene 0.

Weitere Infos auf der Vorlesungshomepage

Weitere Infos auf der ZeTeM-AG-Homepage

Aktuelle Informationsbroschüren finden Sie unter www.szmathe.uni-bremen.de

Die algorithmische diskrete Mathematik ist ein recht junges Gebiet mit Wurzeln in der Algebra, Graphentheorie, Kombinatorik, Informatik (Algorithmik) und Optimierung. Sie behandelt diskrete Strukturen wie Mengen, Graphen, Permutationen, Partitionen und diskrete Optimierungsprobleme.

Diese Veranstaltung gibt eine Einführung in die algorithmische diskrete Mathematik. Es werden strukturelle und algorithmische Grundlagen der Graphentheorie und kombinatorischen Optimierung vermittelt. Im Vordergrund steht die Entwicklung und mathematische Analyse von Algorithmen zum exakten Lösen von kombinatorischen Optimierungsproblemen. Es werden u.a. folgende Themen behandelt:

* Einführung in Graphentheorie, kombinatorische und lineare Optimierung
* Graphentheorie: Grundbegriffe, Wege in Graphen, Euler- und Hamiltonkreise, Bäume
* Algorithmische Grundlagen (Kodierungslänge, Laufzeit, Polynomialzeitalgorithmen)
* Spannbäume, Matchings, Netzwerkflüsse und -schnitte (kombinatorische Algorithmen)
* Einblick in lineare Optimierung: Modellierung, Polyedertheorie, Optimalitätskriterien, Dualität
* Elemente der Komplexitätstheorie

Die Veranstaltung richtet sich vorrangig an fortgeschrittene Bachelorstudierende, ist aber auch für Masterstudierende geeignet.

6 SWS setzen sich zusammen aus
* 2 SWS Vorlesung (zunächst livestream, später asynchron per video)
* 2 SWS interaktive Übung (livestream)
* 2 SWS seminaristischer Anteil, Eigenstudium eines aktuellen Forschungsartikels und Vortrag

2x 2SWS Vorlesung und 2SWS Übung.
Studiengänge: M-BM-Alg

Homepage zur Veranstaltung: http://www.feb.uni-bremen.de
Termine nach Vereinbarung

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.

Aktuelle Informationsbroschüren finden Sie unter www.szmathe.uni-bremen.de

Die algorithmische diskrete Mathematik ist ein recht junges Gebiet mit Wurzeln in der Algebra, Graphentheorie, Kombinatorik, Informatik (Algorithmik) und Optimierung. Sie behandelt diskrete Strukturen wie Mengen, Graphen, Permutationen, Partitionen und diskrete Optimierungsprobleme.

Diese Veranstaltung gibt eine Einführung in die algorithmische diskrete Mathematik. Es werden strukturelle und algorithmische Grundlagen der Graphentheorie und kombinatorischen Optimierung vermittelt. Im Vordergrund steht die Entwicklung und mathematische Analyse von Algorithmen zum exakten Lösen von kombinatorischen Optimierungsproblemen. Es werden u.a. folgende Themen behandelt:

* Einführung in Graphentheorie, kombinatorische und lineare Optimierung
* Graphentheorie: Grundbegriffe, Wege in Graphen, Euler- und Hamiltonkreise, Bäume
* Algorithmische Grundlagen (Kodierungslänge, Laufzeit, Polynomialzeitalgorithmen)
* Spannbäume, Matchings, Netzwerkflüsse und -schnitte (kombinatorische Algorithmen)
* Einblick in lineare Optimierung: Modellierung, Polyedertheorie, Optimalitätskriterien, Dualität
* Elemente der Komplexitätstheorie

Die Veranstaltung richtet sich vorrangig an fortgeschrittene Bachelorstudierende, ist aber auch für Masterstudierende geeignet.

6 SWS setzen sich zusammen aus
* 2 SWS Vorlesung (zunächst livestream, später asynchron per video)
* 2 SWS interaktive Übung (livestream)
* 2 SWS seminaristischer Anteil, Eigenstudium eines aktuellen Forschungsartikels und Vortrag

2x 2SWS Vorlesung und 2SWS Übung.
Studiengänge: M-BM-Alg

Weitere Infos auf der ZeTeM-AG-Homepage

Homepage zur Veranstaltung: http://www.math.uni-bremen.de/~schmidt/WS20/numpde.html

Die algorithmische diskrete Mathematik ist ein recht junges Gebiet mit Wurzeln in der Algebra, Graphentheorie, Kombinatorik, Informatik (Algorithmik) und Optimierung. Sie behandelt diskrete Strukturen wie Mengen, Graphen, Permutationen, Partitionen und diskrete Optimierungsprobleme.

Diese Veranstaltung gibt eine Einführung in die algorithmische diskrete Mathematik. Es werden strukturelle und algorithmische Grundlagen der Graphentheorie und kombinatorischen Optimierung vermittelt. Im Vordergrund steht die Entwicklung und mathematische Analyse von Algorithmen zum exakten Lösen von kombinatorischen Optimierungsproblemen. Es werden u.a. folgende Themen behandelt:

* Einführung in Graphentheorie, kombinatorische und lineare Optimierung
* Graphentheorie: Grundbegriffe, Wege in Graphen, Euler- und Hamiltonkreise, Bäume
* Algorithmische Grundlagen (Kodierungslänge, Laufzeit, Polynomialzeitalgorithmen)
* Spannbäume, Matchings, Netzwerkflüsse und -schnitte (kombinatorische Algorithmen)
* Einblick in lineare Optimierung: Modellierung, Polyedertheorie, Optimalitätskriterien, Dualität
* Elemente der Komplexitätstheorie

Die Veranstaltung richtet sich vorrangig an fortgeschrittene Bachelorstudierende, ist aber auch für Masterstudierende geeignet.

6 SWS setzen sich zusammen aus
* 2 SWS Vorlesung (zunächst livestream, später asynchron per video)
* 2 SWS interaktive Übung (livestream)
* 2 SWS seminaristischer Anteil, Eigenstudium eines aktuellen Forschungsartikels und Vortrag

4V+2Ü

online asynchron, Fragestunde/Questions Mo 14-16/mo 2pm-4pm

2SWS Vorlesung, 2SWS Übung.
Studiengänge: M-BM-StS

Homepage zur Veranstaltung: http://www.math.uni-bremen.de/~schmidt/WS19/semnumpde.html

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.

regelmäßige Veranstaltung montags 14-16 im BIPS Raum 1550. Erstes Treffen .....

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

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

Weitere Infos auf der Seminar-Homepage

Termin nach Vereinbarung.
Studiengang: T-M

2 SWS
Hompage dieser Veranstaltung: http://www.math.uni-bremen.de/rtg-pi3/qualification/rtgseminar

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

Die LV findet in der Ebene 0 im Linux-Raum 0240 statt.

In den letzten Jahren schreitet die Digitalisierung in allen Lebensbereichen immer weiter voran. Innovative Technologien werden etabliert, neue Möglichkeiten eröffnen sich und gleichzeitig fallen immense Datenmengen an. Der digitale Wandel findet nicht nur in allen Fachdisziplinen der Wissenschaft, sondern auch in der Wirtschaft statt. Dabei hat sich das interdisziplinäre Wissenschaftsfeld Data Science entwickelt. Unter Anwendungen von verifizierten Methoden und Algorithmen werden Datensätze, ob strukturiert, komplex oder riesig groß zweckorientiert analysiert. Gängige Schlagwörter sind hierbei Data Mining, Machine Learning, Deep Learning und Artificial Intelligence. Data Science wird häufig als Schlüsseldisziplin angesehen, da sie zur Erkenntnisgewinnung in allen Fachrichtungen Anwendung findet. An Datenanalysemethoden und Softwaretools besteht demnach fächerübergreifend großes Interesse. Voraussetzung für Data Science sind Daten, die langfristig zugänglich sowie nutzbar sind. Zudem müssen die erzielten Analyseergebnisse reproduzierbar sein, was eine detaillierte Dokumentation der Daten selber und aller Vorgänge vorsieht. Dies erfordert ein gut durchdachtes Forschungsdatenmanagement gemäß den sogenannten „FAIR-Principles“ (Findable, Accessible, Interoperable und Reusable; Wilkinson et al., 2016). Hierbei gilt es neben intelligenten technischen Lösungen, besonders bei personenbezogenen Daten juristische und ethische Aspekte zu beachten, die in der wissenschaftlichen Gemeinschaft zurzeit stark diskutiert werden.

Laut der Gesellschaft für Informatik wird Data Science von folgenden übergeordneten Kompetenzfeldern begleitet: (1) Mathematik, (2) Informatik, (3) Kryptographie und Sicherheit, (4) Datenethik und Data Privacy, (5) Data Governance (Datenmanagement), (6) Datenintegration, (7) Datenvisualisierung, (8) Data Mining, (9) Maschinelles Lernen, (10) Business Intelligence, (11) Domänenspezifische Anwendungen und Kommunikation mit Fachexperten, (12) Implementierung von Data Science in der Organisation (Gesellschaft für Informatik e.V., 2019).

Ziel des Seminars ist es, einen interdisziplinären Überblick über aktuelle Themen aus diesen Kompetenzfeldern zu vermitteln. Dabei werden wenig technische und methodische Fähigkeiten vermittelt, sondern vielmehr die wesentlichen Anwendungsfelder und grundlegenden Ideen möglichst interdisziplinär erarbeitet. Dies geschieht nach einer generellen Einführung in Form von ausgearbeiteten Vorträgen und anschließenden Diskussionsrunden, zu denen wir Fachexperten und Expertinnen einladen werden. Des Weiteren werden basierend auf den Vorträgen Factsheets zu den einzelnen Themen ausgearbeitet, die bei späterer Anwendung der Inhalte behilflich sein sollen.

Gesellschaft für Informatik e.V. (2019): Arbeitspapier: Data Science: Lern- und Ausbildungsinhalte, https://gi.de/fileadmin/GI/Allgemein/PDF/GI_Arbeitspapier_Data-Science_2019-12_01.pdf. (Abgerufen am: 03.02.2020)

Wilkinson M et al. (2016) The FAIR Guiding Principles for scientific data management and stewardship. Sci Data 3, 160018. doi: 10.1038/sdata.2016.18

http://www.math.uni-bremen.de/~pigeot/pigeot_l.html