Profil: SQ, KIKR.
Schwerpunkt: IMA-SQ, IMVT-AI, IMVT-VMC
weitere Studiengänge: M-M-Alg-Num, M-T

Die Vorlesung beschäftigt sich mit den mathematischen Grundlagen der wissenschaftlichen Visualisierung und behandelt Methoden für das parallele Post-Processing großer wissenschaftlicher Datensätze. Anwendungsbeispiele werden anhand der Open-Source-Software ParaView erläutert.
Homepage zur Veranstaltung: https://www.uni-bremen.de/ag-high-performance-visualization

Die Veransaltungen 03-M-SP-17 "Deep Learning for Inverse Problems"und 03-M-SP-18 "Nonlinear Inverse Problems" bilden zwei einzeln belegbare Veranstaltungsblöcke im Themenbereich von inversen Problemen (Woche 1-7: Deep Learning for Inverse Problems; Woche 8-14: Nonlinear Inverse Problems), die hintereinander stattfinden. Sie können zusammen oder separat belegt belegt werden.

Die Veransaltungen 03-M-SP-17 "Deep Learning for Inverse Problems"und 03-M-SP-18 "Nonlinear Inverse Problems" bilden zwei einzeln belegbare Veranstaltungsblöcke im Themenbereich von inversen Problemen (Woche 1-7: Deep Learning for Inverse Problems; Woche 8-14: Nonlinear Inverse Problems), die hintereinander stattfinden. Sie können zusammen oder separat belegt belegt werden.

Course homepage: http://www.math.uni-bremen.de/~hvogt/evolution23.html

Homepage zur Veranstaltung: https://www.uni-bremen.de/rtg-pi3/qualification/rtg-seminar

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 in the end of September.
• An individual project period: One project has to be modeled, implemented, and solved individually or in a group of at most two students. The topic will be either developed with or provided by the lecturers. The project including the implementation has to be presented before the beginning of the winter semester.

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

Kursinformationen und Onlineanmeldung unter https://www.fremdsprachenzentrum-bremen.de/1375.0.html?&no_cache=1&user_kursdb_pi1%5BshowUid%5D=14917

Dieser Kurs behandelt die Grundlagen der mathematischen Statistik für Studierende der Masterprogramme im Vollfach. Es können sich keine Credit Points für die Teilnahme angerkannt werden!