Wenn Sie diesen Text sehen, ist auf ihrem Gerät noch nicht das neue Layout geladen worden. Bitte laden Sie diese Seite neu (ggf. mit gedrückter 'Shift'- oder 'Alt'-Taste) oder in einem 'privaten Fenster'.
Weitere Hinweise unter https://www.uni-hildesheim.de/wiki/lsf/faq/fehler.im.layout.

Zur Seitennavigation oder mit Tastenkombination für den accesskey-Taste und Taste 1 
Zum Seiteninhalt oder mit Tastenkombination für den accesskey und Taste 2 
Startseite    Anmelden     

Modern Optimization Techniques - Einzelansicht

Grunddaten
Veranstaltungsart Vorlesung
Veranstaltungsnummer 3103 Kurztext
Semester WiSe 2019/20 SWS 2
Erwartete Teilnehmer/-innen Max. Teilnehmer/-innen
Rhythmus i.d.R. jedes 2. Semester Studienjahr / Zielgruppe
Credits 6
Hyperlink http://www.ismll.uni-hildesheim.de/lehre/opt-19w/index.html Evaluation Ja (als gesamte Veranstaltung - Papier)
Sprache englisch
Termine Gruppe: 1-Gruppe iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
Einzeltermine anzeigen
iCalendar Export
Mo. 10:00 bis 12:00 c.t. wöchentlich Gebäude H (Hauptcampus) - Hörsaal H2 Raumplan        
Gruppe 1-Gruppe:
Termine Gruppe: Klausur iCalendar Export
  Tag Zeit Rhythmus Dauer Raum (mögliche Änderungen beachten!) Raum-
plan
Lehrperson Status Bemerkung fällt aus am Max. Teilnehmer/-innen
iCalendar Export Do. 10:00 bis 12:00 c.t. Einzeltermin am 20.02.2020 Altbau Bühler-Campus - L 131 (Aula Bühler-Campus) Raumplan   fällt aus    
Einzeltermine anzeigen
iCalendar Export
Fr. 10:00 bis 12:00 c.t. Einzeltermin am 21.02.2020 Gebäude H (Hauptcampus) - Hörsaal H2 Raumplan        
Gruppe Klausur:
Prüfungstermine
Semester Termin Prüfer/-in Parallelgruppe Datum Prüfungsform Beginn Anmeldefrist Ende Anmeldefrist Ende Abmeldefrist Infos zu Nachschreibterminen
WiSe 2019/20 01 21.02.2020 Klausur 21.02.2020 21.02.2020
WiSe 2019/20 02 02.06.2020 Klausur 18.05.2020 02.06.2020 02.06.2020


Zugeordnete Personen
Kontaktperson (durchführend) Zuständigkeit
Schmidt-Thieme, Lars, Professor Dr. Dr. verantwortlich und durchführend
Weitere Person Zuständigkeit
Jameel, Mohsan , M.S.c nicht durchführend, nicht verantwortlich
Studiengänge
Abschluss Studiengang Semester ECTS Kontingent
Bachelor B.Sc. I M I T
Bachelor B.Sc. IMIT Studienvar. AI
Bachelor B.Sc. Wirtschaftsinformat (PO 2011)
Bachelor B.Sc. Wirtschaftsinformat (PO 2014)
Master M.Sc. Data Analytics
Master M.Sc. IMIT Studienvar. AI
Master M.Sc. Informationsmanagm.
Master M.Sc. Wirtschaftsinf.
LSF - Module
Modulkürzel Modultitel
0ERA-6LP Veranstaltungen mit 6 Credits f. ausl. Programmstud. (ERASMUS)
MIT-MOT Modern Optimization Techniques
MIT-V6KIMa Gebiet KIML (WINF/IMIT), Vorl 6AP (MA vor PO 2014)
MIT-V6KIML Gebiet KIML (IMIT), Vorl 6 AP (MA ab PO 2014)
MWI-BI6LP Prüfung im Modul Business Intelligence mit 6 LP
Zuordnung zu Einrichtungen
Abt. Wirtschaftsinformatik und Maschinelles Lernen
Inhalt
Literatur
  1. Stephen Boyd and Lieven Vandenberghe. Convex Optimization. Cambridge Univ Press, 2004.
  2. Suvrit Sra, Sebastian Nowozin and Stephen J. Wright. Optimization for Machine Learning. MIT Press, 2011.
  3. Igor Griva. Linear and nonlinear optimization. Society for Industrial and Applied Mathematics, 2009.
Bemerkung

Gebiet: IMIT & WI und KI + ML (MSc)

Turnus: jedes 5. Semester

Lerninhalte

Optimization techniques are at the heart of the solution to a number of real world problems. A number of optimization techniques have been developed during the years and each of them find their application according to the problem characteristics. This course will concentrate on recognizing common convex optimization problems that arise in real world applications and their key charachteristics as well as different approaches to solve them. Several optimization problems will be formally described and illustrated with examples. We will study approaches for unconstrained and equality constrained optimization (stochastic gradient descent, Newton's method and coordinate descent), interior-point methods for solving inequality-constrained problems, as well as extensions and improvements of classical optimization methods like Quasi-Newton, conjugate gradient and cutting plane methods. All of those methods will be illustrated with proactical applications mainly in the area of machine learning.

Zielgruppe

Für Studierende des Masterstudiengangs Informationsmanagement und Informationstechnologie & Wirtschaftsinformatik

MSc 1-3


Strukturbaum
Keine Einordnung ins Vorlesungsverzeichnis vorhanden. Veranstaltung ist aus dem Semester WiSe 2019/20 , Aktuelles Semester: WiSe 2020/21
Impressum      Datenschutzerklärung     Datenschutz      Datenschutzerklärung     Erklärung zur Barrierefreiheit