Hauptinhalt

CS 440 — Kontinuierliche Optimierung
(engl. Continuous Optimization)

Niveaustufe, Verpflichtungsgrad Aufbaumodul, abhängig vom importierenden Studiengang
Lehr- und Lernformen,
Arbeitsaufwand
Vorlesung (4 SWS), Übung (2 SWS),
270 Stunden (90 Std. Präsenzzeit, 180 Std. Selbststudium)
Leistungspunkte,
Voraussetzungen zum Erwerb
9 LP
Studienleistung(en): Erreichen von mindestens 50 Prozent der Punkte aus den wöchentlich zu bearbeitenden Übungsaufgaben.
Prüfungsleistung: Klausur oder mündliche Prüfung (Einzelprüfung)
Sprache,
Benotung
Deutsch,
Die Benotung erfolgt mit 0 bis 15 Punkten gemäß der Prüfungsordnung für den Studiengang B.Sc. Data Science.
Ursprung B.Sc. Data Science
Dauer des Moduls,
Häufigkeit
Ein Semester,
Jedes Wintersemester
Modulverantwortliche(r) Prof. Dr. Christian Rieger

Inhalt

Einführung in die kontinuierliche Optimierung. Grundlagen der nichtlinearen Optimierung: Kuhn-Tucker-Theorie, Minimierung nichtlinearer Funktionen; Minimierung nichtlinearer Funktionen mit Nebenbedingungen, Numerische Verfahren


Qualifikationsziele

Die Studierenden sind in der Lage,

  • fundierte Kenntnisse der Theorie und Praxis grundlegender Methoden der Optimierung zu nutzen,
  • die Relevanz von Optimierungsverfahren für praktische Probleme aus verschiedenen Anwendungsgebieten wie nichtlineare Regression, maschinellem Lernen oder Parameteroptimierung zu erkennen und einzuschätzen,
  • Optimierungsprobleme zu praktischen Problemstellungen zu modellieren und zu lösen,
  • nach mathematischer Arbeitsweisen vorzugehen (Entwickeln von mathematischer Intuition und deren formaler Begründung, Abstraktion, Beweisführung),
  • über wissenschaftliche Inhalte frei zu sprechen, sowohl vor einem Publikum als auch in einer Diskussion.

Voraussetzungen

Keine. Empfohlen werden die Kompetenzen, die entweder in den Basismodulen Lineare Algebra I, Analysis I und Analysis II oder Grundlagen der linearen Algebra, Grundlagen der Analysis und Grundlagen der Höheren Mathematik vermittelt werden.


Verwendbarkeit

Das Modul kann im FB12 verwendet werden im Studiengang bzw. in den Studiengängen

  • B.Sc. Data Science
  • B.Sc. Mathematik
  • B.Sc. Wirtschaftsmathematik
  • M.Sc. Mathematik
  • M.Sc. Wirtschaftsinformatik
  • M.Sc. Wirtschaftsmathematik
  • LAaG Mathematik
  • Bachelor-Nebenfach Mathematik

Im Studiengang B.Sc. Data Science muss das Modul im Studienbereich Mathematik Basis- und Weiterführende Module absolviert werden.

Das Modul kann auch in anderen Studiengängen absolviert werden (Exportmodul).


Literatur

  • Wird jeweils in der Modulankündigung angegeben.
  • Standardwerke sind z.B.
  • Alt, W.: Nichtlineare Optimierung, Vieweg, 2002
  • Jarre, F., Stoer, J.: Nonlinear Programming, Springer, 2004
  • Fletcher, R.: Practical Methods of Optimization, 2nd Edition, John Wiley & Sons, 1987
  • Nocedal, J., Wright, S.: Numerical Optimization, Springer, 2002



Bitte beachten Sie:

Diese Seite beschreibt ein Modul gemäß dem im Wintersemester 2023/24 aktuellsten gültigen Modulhandbuch. Die meisten für ein Modul gültigen Regeln werden nicht durch die Prüfungsordnung festgelegt, und können daher von Semester zu Semester aktualisiert werden. Folgende Versionen liegen im Online-Modulhandbuch vor:

  • WiSe 2016/17 (kein Äquivalent)
  • SoSe 2018 (kein Äquivalent)
  • WiSe 2018/19 (kein Äquivalent)
  • WiSe 2019/20 (kein Äquivalent)
  • WiSe 2020/21 (kein Äquivalent)
  • SoSe 2021 (kein Äquivalent)
  • WiSe 2021/22 (kein Äquivalent)
  • WiSe 2022/23 (kein Äquivalent)
  • WiSe 2023/24

Das Modulhandbuch enthält alle Module, unabhängig vom aktuellen Veranstaltungsangebot, vergleichen Sie dazu bitte das aktuelle Vorlesungsverzeichnis in Marvin.

Die Angaben im Online-Modulhandbuch wurden automatisch erstellt. Rechtsverbindlich sind die Angaben der Prüfungsordnung. Wenn Ihnen Unstimmigkeiten oder Fehler auffallen, sind wir für Hinweise dankbar.