Veranstaltungsverzeichnis

Lehrveranstaltungen WiSe 2023/2024

Mathematik, B.Sc./M.Sc. (Studienbeginn vor 2022)

Veranstaltungen vor dem 1. Semester

VAKTitel der VeranstaltungDozentIn
03-M-BMBrückenMathematik
Preparation Course Mathematics at the University Bremen

Blockveranstaltung

Einzeltermine:
Di 12.09.23 11:00 - 13:00 MZH 1470
Mo 18.09.23 10:00 - 11:30 HS 1010 (Kleiner Hörsaal)
Mo 18.09.23 12:00 - 15:00 MZH 1470
Mo 18.09.23 12:00 - 15:00 MZH 1380/1400
Mo 18.09.23 12:00 - 15:00 MZH 6200
Di 19.09.23 10:00 - 11:30 HS 1010 (Kleiner Hörsaal)
Di 19.09.23 12:00 - 15:00 MZH 6200
Di 19.09.23 12:00 - 15:00 MZH 1090
Di 19.09.23 12:00 - 15:00 MZH 1470
Mi 20.09.23 10:00 - 11:30 HS 1010 (Kleiner Hörsaal)
Mi 20.09.23 12:00 - 15:00 MZH 1380/1400
Mi 20.09.23 12:00 - 15:00 MZH 1470
Mi 20.09.23 12:00 - 15:00 MZH 1090
Do 21.09.23 10:00 - 11:30 HS 1010 (Kleiner Hörsaal)
Do 21.09.23 12:00 - 15:00 MZH 1090
Do 21.09.23 12:00 - 15:00 MZH 1470
Do 21.09.23 12:00 - 15:00 MZH 1380/1400
Fr 22.09.23 10:00 - 11:30 HS 1010 (Kleiner Hörsaal)
Fr 22.09.23 12:00 - 15:00 MZH 1380/1400
Fr 22.09.23 12:00 - 15:00 MZH 1470
Fr 22.09.23 12:00 - 15:00 MZH 1090
Mo 25.09.23 10:00 - 11:30 MZH 1470
Mo 25.09.23 12:00 - 15:00 MZH 1380/1400
Mo 25.09.23 12:00 - 15:00 MZH 1470
Mo 25.09.23 12:00 - 15:00 MZH 6200
Di 26.09.23 10:00 - 11:30 MZH 1470
Di 26.09.23 12:00 - 15:00 MZH 1380/1400
Di 26.09.23 12:00 - 15:00 MZH 6200
Di 26.09.23 12:00 - 15:00 MZH 1470
Mi 27.09.23 10:00 - 11:30 MZH 1470
Mi 27.09.23 12:00 - 15:00 MZH 1380/1400
Mi 27.09.23 12:00 - 15:00 MZH 1470
Mi 27.09.23 12:00 - 15:00 MZH 6200
Do 28.09.23 10:00 - 11:30 MZH 1470
Do 28.09.23 12:00 - 15:00 MZH 1380/1400
Do 28.09.23 12:00 - 15:00 MZH 1470
Do 28.09.23 12:00 - 15:00 MZH 6200
Fr 29.09.23 10:00 - 11:30 MZH 6200
Fr 29.09.23 12:00 - 15:00 MZH 6200
Fr 29.09.23 12:00 - 15:00 MZH 1470
Fr 29.09.23 12:00 - 15:00 MZH 1380/1400

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)

Dr. Ingolf Schäfer
Lars Siemer
Dr. Christoph Duchhardt
Dr. Thomas Janßen
03-M-OWO-Woche

Blockveranstaltung

Einzeltermine:
Mo 09.10.23 09:00 - 10:00 HS 2010 (Großer Hörsaal)
Di 10.10.23 09:00 - 18:00 MZH 1470
Di 10.10.23 - Mi 11.10.23 (Di, Mi) 09:00 - 14:00 MZH 1460
Mi 11.10.23 - Fr 13.10.23 (Mi, Do, Fr) 09:00 - 18:00 MZH 1470

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

Lars Siemer

Bachelor: Pflichtveranstaltungen

Pflichtveranstaltungen für den Studiengang Mathematik B.Sc.
VAKTitel der VeranstaltungDozentIn
03-IBGP-PI1Praktische Informatik 1: Imperative Programmierung und Objektorientierung
Practical Computer Science 1

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 10:00 - 13:00 Übung
wöchentlich Mo 13:00 - 16:00 Übung
wöchentlich Mo 16:00 - 19:00 Übung
wöchentlich Di 14:00 - 16:00 HS 2010 (Großer Hörsaal) Vorlesung
wöchentlich Mi 08:00 - 11:00 Übung
wöchentlich Mi 11:00 - 14:00 Übung
wöchentlich Mi 14:00 - 17:00 Übung Online
wöchentlich Mi 14:00 - 17:00 Übung
wöchentlich Mi 17:00 - 20:00 Übung
wöchentlich Do 08:00 - 10:00 HS 2010 (Großer Hörsaal) Vorlesung

Für Studierende des Vollfachs Informatik, Systems Engineering, Wirtschaftinformatik, Mathematik und Industriemathematik. Für Studierende der Digitalen Medien, Komplementärfach Informatik und Berufliche Bildung - Mechatronik gibt es die Veranstaltung Grundlagen der Programmierung.
Die Übungen finden im MZH in der Ebene 0 statt. Der Übungsbetrieb startet in der 2. Semesterwoche.

Thomas Röfer
03-M-ALG-1Algebra

Vorlesung
ECTS: 9

Termine:
wöchentlich Di 08:00 - 10:00 MZH 5500 Vorlesung
wöchentlich Di 12:00 - 14:00 MZH 7200 MZH 4140 Übung
wöchentlich Fr 08:00 - 10:00 MZH 4140 Vorlesung

Einzeltermine:
Mi 21.02.24 09:00 - 13:00
Prof. Dr. Eva-Maria Feichtner
03-M-ANA-1.1Analysis 1

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 12:00 - 14:00 MZH 1100 Übung
wöchentlich Mo 16:00 - 18:00 MZH 2340 Übung
wöchentlich Di 10:00 - 12:00 GW2 B1410 Vorlesung
wöchentlich Di 12:00 - 14:00 MZH 1100 Übung
wöchentlich Fr 08:00 - 10:00 HS 1010 (Kleiner Hörsaal) Vorlesung

Einzeltermine:
Di 06.02.24 14:00 - 16:00 MZH 1090
Fr 09.02.24 10:00 - 14:00 MZH 5600
PD Dr. Hendrik Vogt
03-M-ANA-1.2Vertiefung zur Analysis 1 (Vollfach)
Additional Topics in Analysis 1 (Single Major Subject)

Projektplenum
ECTS: 1,5

Termine:
wöchentlich Do 16:00 - 18:00 MZH 1470 Plenum
PD Dr. Hendrik Vogt
03-M-ANA-3Analysis 3

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 10:00 - 12:00 MZH 5600 Vorlesung
wöchentlich Mo 14:00 - 16:00 MZH 1100 Übung
wöchentlich Di 10:00 - 12:00 MZH 4140 Übung
wöchentlich Do 10:00 - 12:00 MZH 4140 MZH 5600 Vorlesung
PD Dr. Hendrik Vogt
03-M-LAG-1.1Lineare Algebra 1
Linear Algebra 1

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 08:00 - 10:00 HS 1010 (Kleiner Hörsaal) Vorlesung
wöchentlich Di 08:00 - 10:00 MZH 4140 Übung
wöchentlich Mi 10:00 - 12:00 MZH 4140 Übung
wöchentlich Mi 14:00 - 16:00 MZH 7200 Übung
wöchentlich Do 12:00 - 14:00 MZH 7200 Übung
wöchentlich Do 14:00 - 16:00 HS 1010 (Kleiner Hörsaal) Vorlesung

Einzeltermine:
Fr 02.02.24 09:00 - 12:00 MZH 1380/1400
Di 06.02.24 10:00 - 14:00 MZH 1380/1400
Eugenia Saorin Gomez
03-M-LAG-1.2Vertiefung zur Linearen Algebra 1 (Vollfach)
Additional Topics in Linear Algebra 1 (Single Major Subject)

Projektplenum
ECTS: 1,5

Termine:
wöchentlich Mo 10:00 - 12:00 MZH 1470 Plenum
Eugenia Saorin Gomez
03-M-MCP-1Mathematisches Computerpraktikum
Computer Laboratory

Kurs
ECTS: 3

Einzeltermine:
Mo 12.02.24 - Fr 16.02.24 (Mo, Di, Mi, Do, Fr) 08:00 - 18:00 MZH 5600
Mo 19.02.24 - Fr 23.02.24 (Mo, Di, Mi, Do, Fr) 08:00 - 18:00 MZH 5600
Do 29.02.24 13:30 - 15:30

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

Marek Wiesner
03-M-NUM-1Numerik 1
Numerical Analysis 1

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 12:00 - 14:00 MZH 5600 Vorlesung
wöchentlich Mi 10:00 - 12:00 MZH 5600 Vorlesung
wöchentlich Mi 14:00 - 16:00 MZH 1380/1400 Übung
wöchentlich Mi 14:00 - 16:00 MZH 2340 Übung

Einzeltermine:
Di 12.03.24 08:00 - 13:00 MZH 5600
Ronald Stöver

Bachelor: Wahlpflichtveranstaltungen

Wahlpflichtveranstaltungen für den Studiengang Mathematik B.Sc.
VAKTitel der VeranstaltungDozentIn
03-IMAT-KRYPT (03-MB-699.09)Einführung in die Kryptographie

Kurs
ECTS: 6

Termine:
wöchentlich Mo 08:00 - 10:00 MZH 1470 SFG 0150 Übung
wöchentlich Mi 10:00 - 12:00 MZH 1470 Vorlesung

Profil: SQ
Schwerpunkt: IMA-SQ.
https://lvb.informatik.uni-bremen.de/imat/03-imat-krypt.pdf
mit Zusatzleistung(en) (wird in der Veranstaltung bekannt gegeben) 9 CP für Studierende in den mathematischen Studiengängen

Dieter Hutter
Karsten Sohr
03-M-FTH-3Konvexe Geometrie
Convex Geometrie

Vorlesung
ECTS: 9

Termine:
wöchentlich Di 10:00 - 12:00 MZH 7200 MZH 1100 Vorlesung
wöchentlich Mi 10:00 - 12:00 MZH 7200 Vorlesung
wöchentlich Mi 12:00 - 14:00 MZH 7200 Übung
Eugenia Saorin Gomez
03-M-FTH-8Algorithmische Diskrete Mathematik
Algorithmic Discrete Mathematics

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 08:00 - 10:00 MZH 5600 Vorlesung
wöchentlich Do 10:00 - 12:00 MZH 1450 Vorlesung
wöchentlich Do 16:00 - 18:00 MZH 1450 Übung

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 an fortgeschrittene Bachelorstudierende, ist aber auch für Masterstudierende geeignet.

Die Kurse "Algorithmische Diskrete Mathematik" und "Algorithmentheorie" können nicht beide eingebracht werden.

Beginn der Veranstaltung: Donnerstag, 19.10.23

Prof. Dr. Nicole Megow
03-M-Gy4-1Funktionentheorie
Complex Analysis

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 16:00 - 18:00 MZH 4140 Übung
wöchentlich Mi 14:00 - 16:00 MZH 6200 Vorlesung
wöchentlich Mi 16:00 - 18:00 MZH 4140 Übung
wöchentlich Fr 08:00 - 10:00 MZH 1470 Vorlesung

Einzeltermine:
Di 06.02.24 10:00 - 12:00 MZH 5500
Di 06.02.24 - Mi 07.02.24 (Di, Mi) 10:00 - 12:00 MZH 5600
Mi 07.02.24 10:00 - 12:00 MZH 5500
Do 22.02.24 09:00 - 13:00 HS 1010 (Kleiner Hörsaal)
Sa 06.04.24 09:00 - 13:00 HS 1010 (Kleiner Hörsaal)
Dr. Ingolf Schäfer
Prof. Dr. Anke Dorothea Pohl
03-M-MMOD-1Mathematische Modellierung
Mathematical Modelling

Kurs
ECTS: 9

Termine:
wöchentlich Di 12:00 - 14:00 MZH 5600 Vorlesung
wöchentlich Di 14:00 - 16:00 MZH 5600 Übung
wöchentlich Do 14:00 - 16:00 MZH 5600 Vorlesung
Prof. Dr. Andreas Rademacher
03-M-SP-2Basics of Mathematical Statistics (Statistics I) (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 10:00 - 12:00 MZH 7200 MZH 1450 Lecture
wöchentlich Mo 14:00 - 16:00 MZH 1380/1400 Exercise
wöchentlich Do 10:00 - 12:00 MZH 7200 Lecture

Einzeltermine:
Do 14.03.24 09:30 - 12:30 MZH 6200
Prof. Dr. Thorsten-Ingo Dickhaus
03-M-SP-26Algebraische Topologie
Algebraic Topology

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 08:00 - 10:00 MZH 7200 MZH 4140 Vorlesung
wöchentlich Di 14:00 - 16:00 MZH 7200 Übung
wöchentlich Do 08:00 - 10:00 MZH 7200 Vorlesung

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

Prof. Dr. Dmitry Feichtner-Kozlov

Bachelor: Proseminare

VAKTitel der VeranstaltungDozentIn
03-M-AC-15Algebra

Seminar
ECTS: 3/ 4,5/ 5/ 6

Termine:
wöchentlich Mi 16:00 - 18:00 MZH 7200 Seminar
Prof. Dr. Eva-Maria Feichtner
03-M-AC-16Approximation Methods in Probability and Statistics (in englischer Sprache)

Seminar
ECTS: 3/ 4,5/ 5/ 6

Termine:
wöchentlich Mo 12:00 - 14:00 MZH 7200 MZH 4140 Seminar
Prof. Dr. Thorsten-Ingo Dickhaus
03-M-AC-19Convex Analysis (in englischer Sprache)

Seminar
ECTS: 3 / 4,5 / 5 / 6

Termine:
wöchentlich Di 16:00 - 18:00 MZH 1090 Seminar

Einzeltermine:
Mi 14.02.24 09:00 - 12:00
Dirk Lorenz
03-M-FEB-1FEB-Projekte
REU-Projects

Proseminar
ECTS: 3 / 5
Prof. Dr. Marc Keßeböhmer
03-M-MKOM-1Lineare Algebra
Linear Algebra (33 Miniatures in Linear Algebra)
33 Miniaturen zur Linearen Algebra

Proseminar
ECTS: 3 / 5

Termine:
wöchentlich Do 08:00 - 10:00 MZH 6200 Proseminar

Einzeltermine:
Do 08.02.24 08:00 - 10:00
Anastasios Stefanou
03-M-MKOM-4Topologische Dynamische Systeme
Topological Dynamical Systems

Seminar
ECTS: 3 / 5

Termine:
wöchentlich Fr 10:00 - 12:00 MZH 4140 Seminar
Prof. Dr. Marc Keßeböhmer

Master: Wahlpflichtveranstaltungen

Vertiefungsrichtung Algebra

VAKTitel der VeranstaltungDozentIn
03-IMAT-AU (03-ME-602.99c)Algorithms and Uncertainty (in englischer Sprache)

Kurs
ECTS: 6 (9)

Termine:
wöchentlich Mo 10:00 - 12:00 MZH 1090 Kurs
wöchentlich Do 14:00 - 16:00 MZH 1470 Kurs

Profil: SQ
Schwerpunkt: IMA-SQ, IMA-AI
https://lvb.informatik.uni-bremen.de/imat/03-imat-au.pdf
First Lecture: Thursday, Sep 19.

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.

Prof. Dr. Nicole Megow
Dr. Felix Christian Hommelsheim
03-M-SP-26Algebraische Topologie
Algebraic Topology

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 08:00 - 10:00 MZH 7200 MZH 4140 Vorlesung
wöchentlich Di 14:00 - 16:00 MZH 7200 Übung
wöchentlich Do 08:00 - 10:00 MZH 7200 Vorlesung

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

Prof. Dr. Dmitry Feichtner-Kozlov

Vertiefungsrichtung Analysis

VAKTitel der VeranstaltungDozentIn
03-M-SP-25Inverse Problems in Imaging (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Di 12:00 - 14:00 MZH 2340 Lecture
wöchentlich Fr 12:00 - 14:00 MZH 2340 Lecture
wöchentlich Fr 14:00 - 16:00 MZH 2340 Exercise
Peter Maaß
Dr. Matthias Beckmann
03-M-SP-27Finite Elements for Contact Problems (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 12:00 - 14:00 MZH 2340 Lecture
wöchentlich Mi 10:00 - 12:00 MZH 2340 Lecture
wöchentlich Mi 12:00 - 14:00 MZH 2340 Exercise
Prof. Dr. Andreas Rademacher

Vertiefungsrichtung Numerik

VAKTitel der VeranstaltungDozentIn
03-IMAT-AU (03-ME-602.99c)Algorithms and Uncertainty (in englischer Sprache)

Kurs
ECTS: 6 (9)

Termine:
wöchentlich Mo 10:00 - 12:00 MZH 1090 Kurs
wöchentlich Do 14:00 - 16:00 MZH 1470 Kurs

Profil: SQ
Schwerpunkt: IMA-SQ, IMA-AI
https://lvb.informatik.uni-bremen.de/imat/03-imat-au.pdf
First Lecture: Thursday, Sep 19.

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.

Prof. Dr. Nicole Megow
Dr. Felix Christian Hommelsheim
03-IMVP-IMLInterpretable Machine Learning (in englischer Sprache)

Kurs
ECTS: 6 (optional +3)

Termine:
wöchentlich Mo 14:00 - 16:00 Externer Ort: BIPS (Achterstr. 30) Room 1.550 Kurs
wöchentlich Do 08:30 - 10:00 Externer Ort: BIPS (Achterstr. 30) Room 1.550 Kurs

Einzeltermine:
Mo 11.12.23 14:00 - 16:00 BIPS (Achterstr. 30) Room 2.690
Mo 04.03.24 14:00 - 16:00 BIPS 1550
Mi 06.03.24 09:00 - 12:00 BIPS (Achterstr. 30) Room 2.580
Do 07.03.24 13:00 - 16:00 BIPS (Achterstr. 30) Room 1.640

Profil: KIKR
Schwerpunkt: IMVP-AI
https://lvb.informatik.uni-bremen.de/imvp/03-imvp-iml.pdf
Die Veranstaltung findet in den Räumen des BIPS statt.

Prof. Dr. Marvin Nils Ole Wright
03-M-MDAIP-1Mathematical Methods for Data Analysis and Image Processing (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 12:00 - 14:00 MZH 1090 Lecture
wöchentlich Di 08:00 - 10:00 MZH 1380/1400 Lecture
wöchentlich Di 14:00 - 16:00 MZH 2340 Exercise

Einzeltermine:
Mo 05.02.24 10:00 - 14:00 MZH 5500
Dirk Lorenz
03-M-NPDE-1Numerical Methods for Partial Differential Equations (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Di 10:00 - 12:00 MZH 2340 Lecture
wöchentlich Di 12:00 - 14:00 MZH 1450 Übung
wöchentlich Do 12:00 - 14:00 MZH 2340 Lecture
Alfred Schmidt
03-M-SP-25Inverse Problems in Imaging (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Di 12:00 - 14:00 MZH 2340 Lecture
wöchentlich Fr 12:00 - 14:00 MZH 2340 Lecture
wöchentlich Fr 14:00 - 16:00 MZH 2340 Exercise
Peter Maaß
Dr. Matthias Beckmann
03-M-SP-27Finite Elements for Contact Problems (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 12:00 - 14:00 MZH 2340 Lecture
wöchentlich Mi 10:00 - 12:00 MZH 2340 Lecture
wöchentlich Mi 12:00 - 14:00 MZH 2340 Exercise
Prof. Dr. Andreas Rademacher
03-M-SP-30Introduction to Robust Control (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 10:00 - 12:00 MZH 4140 Lecture
wöchentlich Di 08:00 - 10:00 MZH 2340 Exercise
wöchentlich Mi 12:00 - 14:00 MZH 4140 Lecture
Dr. Chathura Wanigasekara
03-M-SP-31Introduction to Nonlinear Optimization, Optimal Control and Optimal Feedback Control (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 08:00 - 10:00 Lecture
wöchentlich Mi 08:00 - 10:00 Exercise
wöchentlich Do 08:00 - 10:00 Lecture

Die Veranstaltung findet im NEOS Gebäude Raum 3410 statt.

Prof. Dr. Christof Büskens
04-M30-CP-SFT-3Trajectory Optimization (in englischer Sprache)

Vorlesung
ECTS: 4,5

Termine:
wöchentlich Mo 14:00 - 18:00 FZB 0240

Einzeltermine:
Do 29.02.24 14:00 - 16:00 SFG 0150
Prof. Dr. Christof Büskens
Matthias Knauer

Vertiefungsrichtung Stochastik & Statistik

VAKTitel der VeranstaltungDozentIn
03-M-SP-2Basics of Mathematical Statistics (Statistics I) (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Mo 10:00 - 12:00 MZH 7200 MZH 1450 Lecture
wöchentlich Mo 14:00 - 16:00 MZH 1380/1400 Exercise
wöchentlich Do 10:00 - 12:00 MZH 7200 Lecture

Einzeltermine:
Do 14.03.24 09:30 - 12:30 MZH 6200
Prof. Dr. Thorsten-Ingo Dickhaus
03-M-SP-28Advanced Methods in Applied Statistics (Statistics III) (in englischer Sprache)

Vorlesung
ECTS: 9

Termine:
wöchentlich Di 08:00 - 10:00 Lecture
wöchentlich Do 08:00 - 10:00 MZH 1470 Lecture
wöchentlich Fr 08:00 - 10:00 MZH 2340 MZH 1380/1400 Exercise

Einzeltermine:
Fr 12.01.24 08:00 - 10:00

Die Vorlesung am Di 8-10h findet im KKSB statt.

Prof. Dr. Werner Brannath

Master: Seminare

Vertiefungsrichtung Algebra

VAKTitel der VeranstaltungDozentIn
03-M-AC-15Algebra

Seminar
ECTS: 3/ 4,5/ 5/ 6

Termine:
wöchentlich Mi 16:00 - 18:00 MZH 7200 Seminar
Prof. Dr. Eva-Maria Feichtner

Vertiefungsrichtung Analysis

VAKTitel der VeranstaltungDozentIn
03-M-AC-5Mathematical Methods in Machine Learning (in englischer Sprache)

Seminar
ECTS: 4,5/ 6

Termine:
wöchentlich Mo 08:00 - 10:00 MZH 2340 Seminar
Peter Maaß
Sören Dittmer
03-M-AC-17Harmonic Analysis Techniques for Elliptic Operators (in englischer Sprache)

Seminar
ECTS: 4,5 / 6

Termine:
wöchentlich Mo 14:00 - 16:00 MZH 4140 Seminar

The seminar is based on the 27th Internet-Seminar, see https://www.mathematik.tu-darmstadt.de/analysis/lehre_analysis/isem27/

PD Dr. Hendrik Vogt
03-M-AC-18Ergodic Theory (in englischer Sprache)

Seminar
ECTS: 4,5 / 6

Termine:
wöchentlich Do 12:00 - 14:00 MZH 4140 Seminar
Prof. Dr. Anke Dorothea Pohl

Vertiefungsrichtung Numerik

VAKTitel der VeranstaltungDozentIn
03-M-AC-2High-Performance-Visualisierung (in englischer Sprache)
High-Performance Visualization
Ausgewählte Publikationen aus dem Bereich der Visualisierung großer wissenschaftlicher Datensätze

Seminar
ECTS: 4,5 / 6

Termine:
wöchentlich Do 14:00 - 16:00 MZH 1100 Seminar

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.

Prof. Dr. Andreas Gerndt
03-M-AC-5Mathematical Methods in Machine Learning (in englischer Sprache)

Seminar
ECTS: 4,5/ 6

Termine:
wöchentlich Mo 08:00 - 10:00 MZH 2340 Seminar
Peter Maaß
Sören Dittmer
03-M-AC-19Convex Analysis (in englischer Sprache)

Seminar
ECTS: 3 / 4,5 / 5 / 6

Termine:
wöchentlich Di 16:00 - 18:00 MZH 1090 Seminar

Einzeltermine:
Mi 14.02.24 09:00 - 12:00
Dirk Lorenz
03-M-AC-20Numerical Methods and Neural Networks for Partial Differential Equations (in englischer Sprache)

Seminar
ECTS: 4,5/ 6

Termine:
wöchentlich Mo 14:00 - 16:00 MZH 2340 Seminar

Einzeltermine:
Mi 06.03.24 13:00 - 16:00 MZH 2340
Mo 11.03.24 10:00 - 13:00 MZH 2340
Alfred Schmidt
Prof. Dr. Andreas Rademacher

Vertiefungsrichtung Stochastik & Statistik

VAKTitel der VeranstaltungDozentIn
03-M-AC-16Approximation Methods in Probability and Statistics (in englischer Sprache)

Seminar
ECTS: 3/ 4,5/ 5/ 6

Termine:
wöchentlich Mo 12:00 - 14:00 MZH 7200 MZH 4140 Seminar
Prof. Dr. Thorsten-Ingo Dickhaus

Master: Reading Courses

VAKTitel der VeranstaltungDozentIn
03-M-RC-ALGReading Course Algebra (in englischer Sprache)

Seminar
ECTS: 9
Prof. Dr. Dmitry Feichtner-Kozlov
03-M-RC-ANAReading Course Analysis (in englischer Sprache)

Seminar
ECTS: 9
Prof. Dr. Anke Dorothea Pohl
03-M-RC-NUMReading Course Numerical Analysis

Seminar
ECTS: 9

Das Seminar findet im Neos Gebäude statt. Raum nach Absprache.

Prof. Dr. Christof Büskens
03-M-RC-STSReading Course Statistics/Stochastics (in englischer Sprache)

Seminar
ECTS: 9
Prof. Dr. Werner Brannath
Prof. Dr. Thorsten-Ingo Dickhaus

Oberseminare

VAKTitel der VeranstaltungDozentIn
03-M-OS-4Oberseminar Dynamische Systeme und Geometrie
Seminar: Dynamical Systems and Geometry

Seminar

Termine:
wöchentlich Do 14:00 - 16:00

Weitere Infos auf der Seminar-Homepage

Prof. Dr. Marc Keßeböhmer
Prof. Dr. Anke Dorothea Pohl
03-M-OS-7Oberseminar Parameter Identification - Analysis, Algorithms, Applications (in englischer Sprache)
Research Seminar - Mathematical Parameter Identification

Seminar

Termine:
wöchentlich Mi 12:00 - 14:00 MZH 1100 Seminar


Tobias Kluth
Daniel Otero Baguer

Kolloquien

VAKTitel der VeranstaltungDozentIn
03-M-KOL-1Mathematisches Kolloquium

Colloquium

Termine:
wöchentlich Di 16:00 - 18:00
Prof. Dr. Christine Knipping
Prof. Dr. Thorsten-Ingo Dickhaus

General Studies

VAKTitel der VeranstaltungDozentIn
03-IBFW-HTO (03-BE-699.12)Hands-on Tutorial on Optimization (in englischer Sprache)

Blockveranstaltung
ECTS: 3

Einzeltermine:
Mo 09.10.23 - Fr 13.10.23 (Mo, Di, Mi, Do, Fr) 09:00 - 17:00 MZH 5500

https://lvb.informatik.uni-bremen.de/igs/03-ibfw-hto.pdf
A large number of problems arising in practical scenarios like communication, transportation, planning, logistics etc. can be formulated as discrete linear optimization problems. This course briefly introduces the theory of such problems. We develop a toolkit to model real-world problems as (discrete) linear programs. We also explore several ways to find integer solutions such as cutting planes, branch & bound, and column generation.

Throughout the course, we learn these skills by modeling and solving, for example, scheduling, packing, matching, routing, and network-design problems. We focus on translating practical examples into mixed-integer linear programs. We learn how to use solvers (such as CPLEX and Gurobi) and tailor the solution process to certain properties of the problem.

This course consists of two phases:

  • One week Mon-Fri (full day) of lectures and practical labs: October 9-13, 2023, in MZH.
  • A subsequent project period: One problem has to be modeled, implemented, and solved individually or in a group of at most three students. The topic will be provided by the lecturers and will be discussed on the last day of the block course. The project including the implementation has to be presented in the beginning of the winter semester.

There are no prerequisites except some basic programming skills to participate.

Please confirm your participation by email to Felix fhommels@uni-bremen.de by September 15.

Prof. Dr. Nicole Megow
Dr. Felix Christian Hommelsheim
03-M-GS-5Statistical Consulting (in englischer Sprache)

Seminar
ECTS: 3

Termine:
wöchentlich Mo 10:00 - 12:00 Seminar
Dr. Martin Scharpenberg
03-M-GS-7Introduction to R (in englischer Sprache)

Seminar
ECTS: 3

Termine:
wöchentlich Fr 13:00 - 16:00

3 SWS Seminar
Raum wird nach Anmeldung in Stud.IP bekannt gegeben.
Homepage des KKSB und Uni-Lageplan

Prof. Dr. Werner Brannath
03-M-GS-14Starting Data Science in R (in englischer Sprache)
a course on R programming and data science methods with practicals and projects

Vorlesung
ECTS: 3

Termine:
wöchentlich Mi 14:00 - 16:00 MZH 2490 (Seminarraum) Seminar

Einzeltermine:
Mi 06.03.24 14:00 - 16:00 ZOOM-Projektpräsentationen I
Mi 20.03.24 14:00 - 16:00 ZOOM Projektpräsentationen II

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.

Prof. Dr. Stephan Frickenhaus

Sonstige Veranstaltungen

VAKTitel der VeranstaltungDozentIn
Bachelor Examen Mathematik

sonstige
Prof. Dr. Marc Keßeböhmer