Jedes Wintersemester
5 Leistungspunkte
Die Angaben zur Moduldauer finden Sie bei den Studiengängen, in denen das Modul verwendet wird.
Die Studierenden erlernen in den Vorlesungen und Übungen ein bestimmtes Problem als Optimierungsproblem zu formulieren und dessen Eigenschaften zu identifizieren. Abhängig von den Eigenschaften eines Problems können die Studierenden einen geeigneten Problemlöser auswählen und kennen die Eigenschaften gefundener Lösungen. Studierende können beliebte Toolboxen verwenden. Das Modul beinhaltet eine Klausur zu Semesterende.
Students learn in the lectures and the exercise courses to be able to phrase a given problem as optimization problem and to identify its properties. Depending on the latter, students are able to select a suitable problem solver and they know the properties of found solutions. Students are able to use popular toolboxes. The module includes an exam at the end of the term.
Das Ziel ist es, wichtige Modelle zur Formulierung von Optimierungsproblemen und wichtige algorithmische Ansätze zur Lösung dieser Probleme abzudecken. Dazu gehören Optimierung unter Berücksichtigung von Bedingungen (contraint optimization) sowie ohne Bedingungen (unconstraint optimization), lineare und konvexe Optimierung, Dualität, nichtlineare Optimierung, diskrete Optimierung und Relaxation. Einige wichtige Methoden werden behandelt, darunter konjugierte Gradienten, Quasi-Newton-Methoden wie LBFGS, innere Punktmethoden, Lagrange-Multiplikatoren und Barrierefunktionen sowie beispielhafte globale Methoden wie CMA-ES.
The goal is to cover important models to phrase optimization problems and important algorithmic approaches to solve those, including constraint versus unconstraint optimization, linear and convex optimization, duality, nonlinear optimization, discrete optimization and relaxation. A few important methods are covered including conjugate gradient, quasi Newton methods such as LBFGS, interior point methods, Lagrange multipliers and barrier functions and exemplary global methods such CMA-ES.
—
—
Modulstruktur: 1 bPr 1
Portfolio aus Übungs- oder Programmieraufgaben, die veranstaltungsbegleitend und in der Regel wöchentlich gestellt werden, und Abschlussklausur (60 Minuten) oder mündlicher Abschlussprüfung (in der Regel 15 Minunten). Die Übungsaufgaben ergänzen und vertiefen den Inhalt der Vorlesung.
Nachweis einer ausreichenden Zahl korrekt gelöster Übungsaufgaben (in der Regel 50% der im Semester für das Lösen der Aufgaben erzielbaren Punkte).
Die abschließende mündliche Prüfung bezieht sich auf den Stoff der Vorlesung und der Übungen.
Portfolio consisting of per default weekly exercises or programming tasks and final written exam (per default 60 minutes) or final oral exam (per default 15 minutes). The exercises are based on the content of the lecture and enable students to train and further investigate the topics. It is required that a sufficient percentage of the exercises are successfully completed (per default 50% of the total number of points which can be achieved during a semester). The final oral exam concerns both, the content of the lecture as well as the exercises.
Studiengang | Profil | Empf. Beginn 3 | Dauer | Bindung 4 |
---|---|---|---|---|
Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019, 02.03.2020 und 21.03.2023] | Variante 1 | 1. | ein Semester | Pflicht |
Data Science / Master of Science [FsB vom 06.04.2018 mit Änderungen vom 01.07.2019, 02.03.2020 und 21.03.2023] | Variante 2 | 1. | ein Semester | Pflicht |
In diesem Modul kann eine automatische Vollständigkeitsprüfung vom System durchgeführt werden.