LFU:online

Am Ende dieses Kurses sollten die Studierenden

1)       in der Lage sein, eigenständig fortgeschrittene Pythonpakete für Data Science (scikit-learn, tensorflow) installieren und benutzen zu können,

2)       ein weites Spektrum an fortgeschrittenen numerischen Methoden angewandt haben, um in der Lage zu sein, die meisten Data Science Probleme lösen zu können,

3)       eine grundsätzliches Verständnis dafür haben, welche Methoden für welche Typen an Problemen verwendet werden sollten.

Dieser Kurs diskutiert und verwendet verschiedene fortgeschrittene Methoden aus dem Bereich der Data Science und numerischer Analysen. Nach einer theoretischen Einführung des spezifischen Tools wenden wir uns sowohl in der Vorlesung als auch in den darauffolgenden Tutorien und Hausarbeiten der praktischen Anwendung der diskutierten Methoden zu. Abgedeckte Themen: Matched filter Detektion, Korrelationsfunktionen in Anwesenheit von Maskierung, Nächste-Nachbarn-Algorithmus, Random forest Algorithmus, Hauptkomponentenanalyse, Eigenvektorenzerlegung, Gausssche Prozess für Emulatoren, dichte neuronale Netzwerke, gefaltete neuronale Netzwerke, GAN (generative adversarial networks), Erwartungs-Maximierungs-Algorithmus, Kerndichteschätzung, numerische Informationsfeldtheorie (Fit nichtparametrischer Funktionen), Anwendung von Filtern (Gauss, Hoch-/Tiefpass, savgol), Riemann Löser (Hydrodynamik auf einem Raster)

Vorlesungen und Übungen inklusive Programmierung auf Laptops/PCs

Course examination according to § 7, statute section on "study-law regulations"

Physics undergraduate mathematics  

Basic programming skills: Grundkenntnisse in Python

Helpful, but not mandatory: Data Science & Statistical Methods 1