Advanced Mathematics of Data Science - Interaktive Studienpläne der TU Ilmenau
Die Interaktiven Studienpläne 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.
Bitte beachten Sie, dass auf dieser Seite keine Aktualisierungen mehr vorgenommen werden. Alle Module und Studienpläne ab der PO-Version 2021 (Bachelor- und Master-Studiengänge) sind ab sofort im Campus-Portal erreichbar.
| Modulinformationen zu Advanced Mathematics of Data Science im Studiengang Master Mathematik und Wirtschaftsmathematik 2022 | |
|---|---|
| Modulnummer | 201320 |
| Prüfungsnummer | 2400927 |
| Fakultät | Fakultät für Mathematik und Naturwissenschaften |
| Fachgebietsnummer | 2414 (Mathematics of Data Science) |
| Modulverantwortliche(r) | Prof. Dr. Jana de Wiljes |
| Turnus | Wintersemester |
| Sprache | Englisch |
| Leistungspunkte | 5 |
| Präsenzstudium (h) | 45 |
| Selbststudium (h) | 105 |
| Verpflichtung | Wahlmodul |
| Abschluss | schriftliche Prüfungsleistung, 120 Minuten |
| Details zum Abschluss | |
| Link zum Moodle-Kurs | |
| Lehrende | |
| Anmeldemodalitäten für alternative PL oder SL | |
| max. Teilnehmerzahl | |
| Vorkenntnisse | basics of the analysis, Linear Algebra, Probability Theory, Python programming or Matlab programming, Mathematics of Data Science |
| Lernergebnisse und erworbene Kompetenzen | Upon completing this course, students have gained a deep understanding of advanced mathematical techniques and their applications in data science. Specifically, they: 1) have Master concentration inequalities, which are crucial for understanding the behavior of random variables and probabilistic bounds, helping students to analyze uncertainty in high-dimensional data. 2) Understand the VC-Dimension (Vapnik- Chervonenkis Dimension), a fundamental concept in learning theory, which provides a measure of the capacity of a statistical model and plays a key role in understanding model complexity and generalization. 3) Have developed expertise in Support Vector Machines (SVMs), including the mathematical formulation and geometric intuition behind these powerful classification tools, as well as their implementation and optimization in practical scenarios. 4) have gain advanced skills in algorithm development and analysis, enabling them to design and optimize algorithms for complex data problems. 5) have learned to evaluate algorithmic performance and computational complexity in data science applications. 6) are able to critically assess cutting-edge research in data science, can apply advanced techniques to real-world problems, and can present research findings with clarity and rigor. |
| Inhalt | Topics Covered: |
| Medienformen und technische Anforderungen bei Lehr- und Abschlussleistungen in elektronischer Form | projector, assignments, ,Slides, jupyter notebooks, personal computer with Python or Matlab to work on the programming part of the exercises |
| Literatur | Concentration Inequalities: A Nonasymptotic Theory of Independence" by Stéphane Boucheron, Gábor Lugosi, and Pascal Massart |
| Lehrevaluation | |