Technische Universität Ilmenau

Mathematik der Data Science - Modultafeln der TU Ilmenau

Die Modultafeln sind ein Informationsangebot zu den Studiengängen der TU Ilmenau.

Die rechtsverbindlichen Studienpläne entnehmen Sie bitte den jeweiligen Studien- und Prüfungsordnungen (Anlage Studienplan).

Alle Angaben zu geplanten Lehrveranstaltungen finden Sie im elektronischen Vorlesungsverzeichnis.

Informationen und Handreichungen zur Pflege von Modulbeschreibungen durch die Modulverantwortlichen finden Sie unter Modulpflege.

Hinweise zu fehlenden oder fehlerhaften Modulbeschreibungen senden Sie bitte direkt an modulkatalog@tu-ilmenau.de.

Modulinformationen zu Mathematik der Data Science im Studiengang Master Informatik 2021
Modulnummer200475
Prüfungsnummer2400827
FakultätFakultät für Mathematik und Naturwissenschaften
Fachgebietsnummer 241D (Large networks and Random Graphs)
Modulverantwortliche(r)Prof. Dr. Yury Person
TurnusWintersemester
SpracheDeutsch
Leistungspunkte5
Präsenzstudium (h)34
Selbststudium (h)116
VerpflichtungWahlmodul
Abschlussmündliche Prüfungsleistung, 30 Minuten
Details zum Abschluss
Alternative Abschlussform aufgrund verordneter Corona-Maßnahmen inkl. technischer Voraussetzungen

Abschlussleistung in Distanz entsprechend §6a PStO-AB

Anmeldemodalitäten für alternative PL oder SL
max. Teilnehmerzahl
Vorkenntnisse

Lineare Algebra und Analysis, (elementare) Stochastik

Lernergebnisse und erworbene Kompetenzen

Die Studierenden haben nach der Vorlesung einen guten Überblick über die Grundlagen und Methoden der Data Science. Sie kennen Vor- und Nachteile der jeweiligen mathematischen Verfahren zur Datenanalyse von verschiedenen Problemen, sowie deren theoretische und experimentelle Grundlagen. Die Studierenden kennen verschiedene Datenmodelle und deren Anwendungsmöglichkeiten, sie sind nach den Übungen in der Lage, für ein Anwendungsproblem ein passendes Modell auszuwählen, dieses methodisch zu untersuchen, Algorithmen dafür zu entwickeln und darauf anzuwenden. Die Studierenden kennen Verbindungen der Data Science zu den einzelnen Gebieten der Mathematik und der Theoretischen Informatik und deren Relevanz. Sie sind in der Lage, aktuelle Forschungsarbeiten zu lesen und die Ergebnisse zu präsentieren. Sie beachten dabei Anmerkungen und können Kritik würdigen.

Inhalt

Clustering, Compressed Sensing, Dimensionsreduktionstechniken, Machine Learning, Deep Learning, randomisierte Algorithmen, zufällige Matrizen und Modelle, Konzentrationsungleichungen

Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form

Tafel, Computerpräsentation, Aufgaben

Literatur

A. S. Bandeira, Ten Lectures and Forty-Two Open Problems in the Mathematics of Data Science, Vorlesungsskript, 2016

A. Blum, J. Hopcroft und R. Kannan, Foundations of Data Science, Cambridge University Press 2020

I. Goodfellow, Y. Bengio und A. Courville, Deep Learning, MIT Press 2016

R. Vershynin, High-Dimensional Probability (An Introduction with Applications in Data Science), Cambridge University Press 2018

Lehrevaluation