Dies ist ein Online-Kurs. Weitere Informationen finden Sie im LSF oder auf der Kursseite.

Aufgrund der aktuellen COVID-19 Pandemie findet die Vorlesung rein virtuell statt.

Weitere Informationen finden Sie im LSF oder direkt auf der Vorlesungsseite im Moodle

Heutige Computersysteme steigern ihre Rechenleistung zunehmend durch eine größere Anzahl von Prozessoren oder die Vernetzung vieler Computer, die parallel betrieben werden können. In diesem Kurs werden verschiedene Programmiertechniken zur Nebenlaeufigkeit vorgestellt, die es ermoeglichen solche Architekturen effizient einzusetzen. Anhand praktischer Aufgaben in der Programmiersprache Clojure werden diese dann weiter vertieft. Clojure ist ein moderner Lisp-Dialekt, der auf der JVM aufsetzt, mit einem besonderen Fokus auf funktionale und nebenlaeufige Programmierung.

QiS/LSF Eintrag

Kursmaterialien:

1. Tag:  Motivation (PDF) und Walkthrough (Clojure notebook)
   Installation: project.clj 
2. Tag: Probleme der Nebenläufigkeit (Clojure notebook)
3. Tag: Software transactional memory (Clojure notebook)
4. Tag: CSP (PDF) und core.async (Clojure notebook)
5. Tag: Parallelität (Clojure notebook)
           Lösungen (Clojure notebook)

Dieser Kurs findet auch Englisch statt. Weitere Informationen finden Sie auf der englischen Seite.

Seminar: Do 8:15-9:45, SR 11

QiS/LSF Entry

Date	Presenter	Topic	Supervisor
14.11.2020	Ritzke	A Conceptual introduction to HMC	Bertschinger
	Vogt	Generative Adversarial Networks	Bertschinger
21.11.2019	Schuhmann	A beginner's guide to the mathematics of neural networks	Ramesh
	van de Goor	Deep factors for forecasting	Ramesh
28.11.2019	Khadush	Generating visual explanations	Ramesh
	Gampe	Explainable AI: The new 42?	Ramesh
5.12.2019	Ludwig	Adaptive compression-based lifelong learning	Ramesh
	Leis	Deep neural network compression for aircraft collision avoidance systems	Ramesh
12.12.2019	Becker	Engineering a less artificial intelligence	Kaschube
	Pietschmann	Neuroscience-inspired artificial intelligence	Kaschube
19.12.2019	Iatrou	Weight agnostic neural networks	Kaschube
	Asimovska	Human-level control through deep reinforcement learning	Kaschube
16.01.209	Usov	Solving Bongard Problems with a Visual Language and Pragmatic Reasoning	Kaschube
23.01.2020	Vu Huu	FaceForensics++: Learning to Detect Manipulated Facial Images	Bertschinger
	Hoang	Everybody dance now	Bertschinger
30.01.2020	Tsang	Knet: beginning deep learning with 100 lines of Julia	Bertschinger
	Mansurova	∂P: A Differentiable Programming System to Bridge Machine Learning and Scientific Computing	Bertschinger

Dieser Kurs findet auch Englisch statt. Weitere Informationen finden Sie auf der englischen Seite.

Hier finden Sie Informationen zur Vorlesung "Programmiersprachen 1"

Inhalt PDF

• Tag 1: Common Lisp walk.lisp
• Tag 2: Metaprogrammierung macros.lisp, DSL (PDF) (Lisp code)
  
• Tag 3: Prolog: Beispielcode

Bitte melden Sie sich über das QiS für den Kurs an.

Dieser Kurs findet auch Englisch statt. Weitere Informationen finden Sie auf der englischen Seite.

Dieser Kurs findet auch Englisch statt. Weitere Informationen finden Sie auf der englischen Seite.

Dieser Kurs findet auch Englisch statt. Weitere Informationen finden Sie auf der englischen Seite.

Heutige Computersysteme steigern ihre Rechenleistung zunehmend durch eine größere Anzahl von Prozessoren oder die Vernetzung vieler Computer, die parallel betrieben werden können. In diesem Kurs werden verschiedene Programmiertechniken zur Nebenlaeufigkeit vorgestellt, die es ermoeglichen solche Architekturen effizient einzusetzen. Anhand praktischer Aufgaben in der Programmiersprache Clojure werden diese dann weiter vertieft. Clojure ist ein moderner Lisp-Dialekt, der auf der JVM aufsetzt, mit einem besonderen Fokus auf funktionale und nebenlaeufige Programmierung.

QiS/LSF Eintrag

Kursmaterialien:

• Tag 1: Motivation (PDF) und Walkthrough (Clojure notebook)

              Installation: Anleitung und project.clj
                                   install.zip (Nach C:\lein entpacken und README.txt lesen)
  

• Tag 2: Mutex.clj
• Tag 3: STM.clj

              ants.clj

• Tag 4: CSP (Folien PDF) (Clojure notebook)
• Tag 5: Parallel.clj
• Loesungen: (Clojure notebook)

Dieser Kurs findet auch Englisch statt. Weitere Informationen finden Sie auf der englischen Seite.

Dieser Kurs findet auch Englisch statt. Weitere Informationen finden Sie auf der englischen Seite.

QiS/LSF Eintrag

Eine Liste von möglichen Themen finden Sie hier und hier.

Kurseinteilung
 

Datum	Name	Thema	Betreuer
15.11.2018	D. Machajewski	The Surprising Creativity of Digital Evolution	Ramesh
15.11.2018	M. Machajewski	The Surprising Creativity of Digital Evolution	Ramesh
29.11.2018	Hahner	Hamiltonian Monte-Carlo	Bertschinger
29.11.2018	Allgöwer	Fitting econophysics models	Bertschinger
06.12.2018	Pitschmann	Stochastic blockmodels	Bertschinger
06.12.2018	Stobbe	Bayesian models of graphs	Bertschinger
13.12.2018	Altincan	Accessorize to a crime	Kaschube
13.12.2018	Vogel	DeepLabCut	Kaschube
17.01.2019	Klose	Deep Q-Learning	Ramesh
17.01.2019	Ditzel	Genetic CNN	Ramesh
24.01.2019	Banzhaf	Red-State, Blue-State Problem	Kaschube
24.01.2019	Konca	Dropout	Kaschube
31.01.2019	Fermpas	Towards Accountable AI	Ramesh
31.01.2019	Hess	Simultaneous Deep Transfer Across Domains and Tasks	Ramesh

QSL-Eintrag

Kursmaterialien:

• Kursübersicht: PDF
  
• Einführung in Common Lisp: Source
• Einführung in Makros: Source
• Domain specific languages: PDF Source
• Prolog Beispiele: Source

Dieser Kurs findet auf Englisch statt.

Lecture: 16:15-17:45, Neue Mensa - NM 113

Tutorial: 14:15 - 15:45, Neue Mensa - NM 114

QiS/LSF Entry

Date	Lecture	Problem set	Tutorial
2018-04-11	Introduction	-	Probability Theory
2018-04-18	Bayesian inference and conjugate priors	Exercise sheet 1	Linear Algebra
2018-04-25	Linear Regression	Exercise sheet 2	-
2018-05-02	Bayesian linear regression (demo) Data Modeling	Exercise sheet 3	Data set
2018-05-09	Mixture Models	Exercise sheet 4
2018-05-16	Expectation Maximization Algorithm	Exercise sheet 5	Data set Implementation
2018-05-23	Sampling part 1 Sampling part 2	Exercise sheet 6	config_check.py
2018-05-30	Sampling part 3 Sampling part 4	Exercise sheet 7
2018-06-06	Sampling part 5 Sampling part 6	Exercise sheet 8
2018-06-13	Gaussian processes	Exercise sheet 9
2018-06-27	Soccer modeling		Data sets and code examples
2018-07-04	Gaussian processes	Exercise sheet 10
2018-07-11	SBM

Dieser Kurs findet auf Englisch statt.

Seminar: Thu, 8:15 - 9:45, SR11

 

QiS/LSF Entry     

Date	Name	Topic	Supervisor
26.04.2018	No course
03.05.2018	Robert am Wege	Deep Learning: An Introduction for Applied Mathematicians	Ramesh
03.05.2018	Ionut Petre Urs	Deep Learning: An Introduction for Applied Mathematicians	Ramesh
17.05.2018	Timothy Mason	Dropout: A Simple Way to Prevent Neural Networks from Overfitting	Bertschinger
17.05.2018	Elisabeth Schmidt	Dropout as a Bayesian Approximation: Insights and Applications	Bertschinger
24.05.2018	Gianluca Romano	Texture synthesis using CNNs	Kaschube
24.05.2018	Christopher Grosse	Accessorize to a Crime: Real and Stealthy Attacks on State-of-the-Art Face Recognition	Kaschube
07.06.2018	oor-ul-Sabha Amjad	Build, Compute,    Critique, Repeat: Data Analysis with Latent Variable      Models	Bertschinger
14.06.2018	No course
21.06.2018	Joshua Mendaza	Recent Advances in Recurrent Neural Networks	Ramesh
28.06.2018	Yulia Kim	Representation learning: A review and new perspectives	Kaschube
05.07.2018	Ramin Kanani	A Variational Analysis of Stochastic Gradient Algorithms	Bertschinger
05.07.2018	Hannah Wendland	A Conceptual Introduction to Hamiltonian Monte Carlo	Bertschinger
12.07.2018	No course

Winter Semester 2017/2018

Instructors: Matthias Kaschube, Nils Bertschinger

 

Lecture: 16:15-17:45, Magnus Hörsaal

Tutorial: 14:15 - 15:45, SR 11

Exam:   20th February, 14:00-16:00, Magnus Hörsaal   (90 min)

13th March, 14:00-16:00, Magnus Hörsaal   (90 min)

Date	Lecture	Problem Set	Tutorial
2017-10-17	week1.pdf	-	-
2017-10-24	week2.pdf	Exercise 1	Linear Algebra
2017-10-31	Reformation Day Holiday
2017-11-07	week3.pdf	Exercise 2	Exercises
2017-11-14	week4.pdf	-	-
2017-11-21	week5.pdf	Exercise 3	How-To: Posterior Distribution
2017-11-28	week6.pdf	Exercise 4	How-To: Linear Model
2017-12-05	week7.pdf	Exercise 5
2017-12-11	week8.pdf	Exercise 6
2017-12-19	week9.pdf	Exercise 7	Training Data
2018-01-09	week10.pdf	-	-
2018-01-16	week11.pdf	Exercise 8
2018-01-23	week12.pdf		Minimal Solution for Exercise 7
2018-01-30	week13.pdf	How-To: Classification	Tensor Flow Introduction

Many complex systems in nature, technology or society can be represented as networks consisting of nodes connected by links. Such an approach has not only revealed structural regularities in different types of systems, e.g. food webs and social networks, suggesting common underlying mechanisms and concepts, but is also used to study the influence of the corresponding network structure on the behavior and function of the system. Recently methods from complex network theory have been applied to financial data and models, often to access systemic risk arising from the interconnections of the corresponding systems. This course represents an introduction to concepts and methods from complex network theory. Topics include: basic network models; sampling techniques; spreading, percolation and cascade processes on networks; network control; network models for financial systems.

 

QiS/LSF Entry

 

A substantial part of the lecture and exercises is based on the book "Networks: An Introduction" by M. E. J. Newman

Programming exercises will be done using R. We highly recommend to install RStudio, freely available from https://www.rstudio.com/, to get most out of the exercises.

 

 

Further material, e.g. lecture slides and exercise sheets, will be made available here ...

• Lecture, Oct 19: Slides PDF, PDF
• Exercise, Oct 26: R Markdown, HTML R Markdown files combine markup formatted text with R code. Rstudio can readily edit such documents and convert them to HTML with embedded code and figures. Exercise sheet 1 PDF
• Lecture, Oct 26: Slides PDF
• Lecture, Nov 2: Slides PDF
• Exercise, Nov 9: Solution for sheet 1 PDF Exercise sheet 2 PDF
• Lecture, Nov 9: Slides PDF
• Nov 16: No class Note: There will be two lectures on Nov 23
• Lecture, Nov 23: Slides PDF, Slides PDF, DebtRank simulation R script
• Nov 30: No class. Due to illness the lecture has to be cancelled.
• Exercise, Dec 7: Solution for sheet 2 PDF Exercise sheet 3 PDF
• Lecture, Dec 7: Slides PDF
• Lecture, Dec 14: Slides PDF
• Exercise, Dec 21: Solution for sheet 3 PDF Exercise sheet 4 PDF
• Lecture, Dec 21: Slides PDF
• Lecture, Jan 11: Slides PDF
• Exercise, Jan 18: Solution for sheet 4 PDF Exercise sheet 5 PDF
• Lecture, Jan 18: Slides PDF
• Lecture, Jan 25: Slides PDF Test exam PDF
• Exercise, Feb 1: Solution for sheet 5 PDF
• Lecture, Feb 1: Slides PDF

QiS/LSF Entry

 

Further material, e.g. lecture slides, data sets, will be made available here. 

 

Material:

• April 19:  Exercise slides PDF Lecture slides PDF
• April 26: Exercise slides PDF Exercise sheet PDF Lecture slides PDF
• May 3: Exercise sheet PDF Lecture slides PDF
• May 10: Exercise sheet PDF Note: There is an error in Ex. 3.3. You will have time to solve the corrected version till May 24. Lecture slides PDF Interactive Visualization R code (To run it start R and then load it with source("shinyLR.R", echo=TRUE) ... hope it works for you)
• May 17: Exercise sheet PDF Lecture slides PDF Demo script Python code
• May 24: Exercise sheet PDF Regularization demo IPython Notebook Lecture slides PDF
• May 31: Exercise sheet PDF Lecture slides PDF
• June 7: Exercise sheet PDF Lecture notes IPython Notebook (PDF)
• June 14: Exercise sheet PDF Lecture notes IPython Notebook (PDF)
• June 21: Exercise sheet PDF Training data CSV, CSV Lecture notes IPython Notebook (PDF)

Bayesian methods are becoming more and more popular, mainly thanks to modern algorithms and increasing computer power, as tools for statistical modeling and inference. This course will introduce the Bayesian philosophy of statistical modeling and important algorithms, e.g. Monte-Carlo sampling and variational methods, which will be illustrated on several examples from finance and econometrics.

 

QiS/LSF Entry

 

Further material, e.g. lecture slides, data sets, will be made available here.

 

Material:

April 27: Lecture slides PDF

May 4: Lecture slides PDF

May 11: Lecture slides PDF + accompanying R code

May 18: Lecture slides PDF + accompanying Python code

             Interactive Visualization R code ... to run it start R and then load it with source("shinyLR.R", echo=TRUE)

June 1: Lecture notes PDF + Jupyter Notebook

June 29: Lecture notes HTML + R markdown

June 13: Lecture notes HTML + R markdown

July 20:Lecture slides PDF + accompanying R code

            Lecture slides PDF

            Lecture notes HTML + R markdown 

            Note: There will be an additional lecture from 14 to 16 o'clock in room 4.106

In dieser Vorlesung werden die grundlegenden Begriffe der Informationstheorie eingeführt  und ihre Anwendung in der Datenkompression, Signalverarbeitung und Finanzmathematik  dargelegt.

 

Zeitplan (Die Vorlesung am Donnerstag ist in den Seminarraum NM 111 verlegt worden!)  Vorlesung: 1. Kapitel, 2. Kapitel, 3. Kapitel, 4. Kapitel, 5. Kapitel Übung: 1. Übung, 2. Übung, 3. Übung, 4. Übung, 5. Übung, 6. Übung, 7. Übung  Lösung: 1. Lösung, 2. Lösung, 3. Lösung, 4. Lösung, 5. Lösung, 6. Lösung, 7. Lösung

  

Nachklausur: 28.03.2017 von 10oo bis 12oo im H7 (Uhrzeiten sind scharf, d. h. ohne akademische Viertelstunde!). Skript und Übungsblaetter dürfen nicht mitgeführt werden. Teilnahmebedingung sind mindestens 56 erlangte Übungspunkte.