Hier findest du alle Vorlesungen die unser Lehrstuhl regelmäßig anbietet. Die Einschreibung erfolgt wie immer über Moodle, dort kannst du auch die verantwortlichen Dozierenden für jedes einzelne Semester sehen. Bei Fragen stehen wir gern mit Rat zur Seite!
Mathematical Modelling of Wave Phenomena in Complex Media
This course teaches the basics of mathematical modeling of wave phenomena in application areas such as acoustics, geophysics, radio waves and optics.
The course is taught in english and only offered in the summer term 2025 by our guest professor Prof. Petrov.
We consider mathematical methods for solving various types of PDEs related to wave propagation in concrete practical situations. The goal of the course is also to provide students with a large toolbox of mathematical techniques that can be used when dealing with various real-world problems of applied mathematics. Furthermore, by approaching the modeling of wave propagation in different ways, we will try to highlight certain connections between different areas of mathematics and physics. The course includes practical exercises in which students will actually perform simulations of wavefields, resulting in beautiful plots similar to those shown below.
Typ: Lecture + Exercises (4+2 SWS)
Tonus: Summer term 2025 only!
Sprache: English
Voraussetzungen: Analysis I - III, basic knowledge of ordinary differential equa-
tions. Some basic knowledge of Matlab/Octave/Python, as the exercises will involve
programming.
Anrechenbar für: Special Topics (9LP)
Leistungsnachweis: completion of exercises +examination
Main topics will include
- Wave equation, its derivation and basic properties.
- Superposition principle, method of source images.
- Numerical solution of wave equations. Absorbing boundary conditions.
- Normal modes. Wavefield as a superposition of normal modes.
- Normal modes in range-dependent waveguides. Classical and vectorized WKB method.
- Invariant imbedding method. Imbedding equations.
- Parabolic equation theory.
- SSP method for one-way wave propagation.
- Geometric optics/geometric acoustics. Ray tracing.
- Waveguide invariants. Calculation of a wavefield intensity using Weston’s theory.
Practical problems include
- wave equation solution by the source images;
- finite-difference solution of wave equation;
- wave propagation measurement and modelling in practice;
- normal modes computation;
- parabolic equations solution;
- ray tracing and geometric acoustics;
- mode parabolic equations solution.
Throughout the course, students will also be introduced (briefly) to concepts
and techniques such as
- noncommutative calculus and Feynman numbers;
- Padé approximation and continuous fractions;
- idempotent calculus;
- WKB method;
- method of multiple scales;
- Maslov’s canonical operator and Lagrangian manifolds;
- Fourier synthesis of a pulse signal.
Numerik I
Diese Vorlesung führt dich in die numerische Mathematik ein. Du kannst dir 9 LP anrechnen lassen und weitere 3LP ergänzend für das Programmierpraktikum.
Typ: Vorlesung mit Übungen (4+2 SWS)
Tonus: Sommersemester
Sprache: Deutsch
Vorkenntnisse: Analysis I+II, Lineare Algebra I+II
Anrechenbar für: E.Num (9LP)
Leistungsnachweis: zum Erhalt der LP ist das Bestehen der Klausur notwendig
Ergänzende Veranstaltung: Programmierpraktikum
Die Veranstaltung führt in die Numerische Mathematik ein. Behandelt werden die Themen:
- Fehleranalyse
- Lösung linearer Gleichungssysteme
- lineare Ausgleichsrechnung
- Interpolation mit Polynomen und Splines
- Numerische Quadratur
- Lösung nichtlinearer Gleichungssysteme
Zu diesen Themenbereichen werden Algorithmen vorgestellt, die in vielen Anwendungen in Wissenschaft und Technik von zentraler Bedeutung sind. Neben theoretischen Fragestellungen wie etwa Konvergenzanalysen wird gezielt auf praktische Aspekte (Implementierung, Verknüpfung mit Anwendungen, Visualisierung der Resultate, Einsatz moderner Softwarewerkzeuge) eingegangen. Die Übungen dienen zur Anwendung und Vertiefung des Vorlesungsstoffes.
Literatur:
- J. Stoer: Numerische Mathematik 1. Springer.
- A. Quarteroni, R. Sacco, F. Saleri: Numerische Mathematik 1. Springer.
- A. Quarteroni, R. Sacco, F. Saleri: Numerische Mathematik 2. Springer.
- P. Deuflhard, A. Hohmann: Numerische Mathematik I. de Gruyter.
- J. Stoer, R. Bulirsch: Introduction to Numerical Analysis. Springer.
- A. Quarteroni, R. Sacco, F. Saleri: Numerical Mathematics. Springer.
Weiterführung Numerik
Entsprechend des Kursnamens, vertiefst du in diesem Kurs deine Kenntnisse der Numerik. Du kannst dir 9 LP anrechnen lassen.
Typ: Vorlesung mit Übungen
Tonus: Wintersemester
Sprache: Deutsch
Vorkenntnisse: Analysis I+II, Lineare Algebra I+II, Einführung in die Numerische Mathematik (Numerik I), Kenntnisse in MATLAB (z.B. aus Werkzeuge und Arbeitstechniken), Python oder Julia
Anrechenbar für: Wei.Num (9LP)
Leistungsnachweis:
- Wei.Num-a (Pflichtmodul) Numerik gew¨ohnlicher Differentialgleichungen
- Wei.Num-b (Wahlmodul) Anwendungen in der Finanzmathematik
- Wei.Num-c (Wahlmodul) Anwendungen in der Technik
Ergänzende Veranstaltung: Programmierpraktikum
- Kurze Einführung in MATLAB
- Modellbildung
- Analysis gewöhnlicher Differentialgleichungen: Existenz und Eindeutigkeit
- Numerische Lösungsverfahren für Anfangswertprobleme
- Einschrittverfahren
- Mehrschrittverfahren
- Extrapolationsverfahren
- Einführung in Randwertaufgaben
- Je nach Wahl Anwendungen in der Finanzmathematik oder Technik
Numerical Analysis and Simulation I: ODE
In dieser Veranstaltung lernst du Modelle für Differentialgleichungen (ODEs) kennen.
Typ: Vorlesung mit Übungen (4+2 SWS)
Tonus: Wintersemester
Sprache: Englisch
Vorkenntnisse: Grundkenntnisse in Mathematik (Analysis I+II, Lineare Algebra I+II oder ähnliches), sowie Einführung in die Numerische Mathematik (oder den Blockkurs 'Introduction to Numerical Methods for Computer Simulation')
Anrechenbar für: NM1 (9LP), NumAna1 (8LP)
Leistungsnachweis: Zum Erhalt der LP ist die erfolgreiche Bearbeitung von mindestens 50% der Aufgaben, sowie das Bestehen der Prüfung Vorraussetzung. Je nach Kurs kann die Prüfung mündlich (30min) oder schriftlich (120min) erfolgen.
Ergänzende Veranstaltung: Programmierpraktikum ODE
- Modelle für gewöhnliche Differentialgleichungen (ODEs) in Wissenschaft, Wirtschaft und Technik
- Kurzer Überblick über die Theorie der ODEs
- Einschrittige Methoden und Extrapolationsmethoden
- Mehrschrittige Methoden
- Numerische Methoden für steife Systeme
- Anwendungsorientierte Modelle und Schemata
- Randwertprobleme
- Methoden für algebraische Differentialgleichungen
- Geometrische Integratoren
Numerical Analysis and Simulation II: PDE
Ergänzend zu den ODEs, vertiefst du in dieser Veranstaltung deine Kenntnisse zu Partiellen Differentialgleichungen (PDEs).
Typ: Vorlesung mit Übungen (4+2 SWS)
Tonus: Sommersemester
Sprache: Englisch
Vorkenntnisse: Grundkenntnisse in Mathematik (Analysis I+II, Lineare Algebra I+II oder ähnliches), sowie Einführung in die Numerische Mathematik (oder den Blockkurs 'Introduction to Numerical Methods for Computer Simulation') und Numerical Analysis and Simulation I: ODE
Anrechenbar für: NM2 (9LP), NumAna2 (8LP)
Leistungsnachweis: Zum Erhalt der LP ist die erfolgreiche Bearbeitung von mindestens 50% der Aufgaben, sowie das Bestehen der Prüfung Vorraussetzung. Je nach Kurs kann die Prüfung mündlich (30min) oder schriftlich (120min) erfolgen.
Ergänzende Veranstaltung: Programmierpraktikum PDE
- PDE-Modelle in Wissenschaft, Wirtschaft und Technik
- Klassifizierung von PDEs und Kriterien f¨ur ein wohlgestelltes PDE
- Grundlagen: Ableitung und Diskretisierung von PDEs
- elliptische Probleme
- Maximumprinzip und Finite Differenzen
- Variationsformulierung und Sobolev-Räume
- Finite Elemente
- numerische Lösungen diskretisierter Probleme
- hyperbolische Systeme, insbesondere Erhaltungssätze
- schwache Formulierung
- Theorie der Charakteristika
- Entropie
- konservative Schemata
- parabolische Probleme
- Evolutionsgleichungen
- Linienmethode
- Rothe-Methode und Konvergenz
- Gemischte Systeme
- Modelle heterogener Systeme
- Aufteilungsschemata
- Fallstudien
Computational Finance I
In dieser Veranstaltung lernst du die Grundzüge in Computational Finance kennen, dafür kannst du dir je nach Studiengang 8-9LP anrechnen lassen.
Typ: Vorlesung mit Übungen (4+2 SWS)
Tonus: Sommersemester
Sprache: Englisch
Vorkenntnisse: Analysis I+II, Lineare Algebra I+II, sowie Einführung in die Numerische Mathematik
Anrechenbar für: CompFi1 (9 LP), CompFin1 (8 LP), SKap.WM (9 LP), SKap.NAaA (9 LP),
Leistungsnachweis: Zum Erhalt der LP ist die erfolgreiche Bearbeitung von mindestens 50% der Aufgaben, von 2 Programmieraufgaben und das Bestehen der Prüfung Vorraussetzung. Je nach Kurs kann die Prüfung mündlich (30min) oder schriftlich (120min) erfolgen.
Ergänzende Veranstaltung: Programmierpraktikum für Computational Finance I
Finanzderivate sind zu einem unverzichtbaren Instrument für die Kontrolle und Absicherung von Risiken geworden. Das entscheidende Problem besteht in der Bestimmung des fairen Preises eines Finanzderivats, das auf mathematischen Methoden beruht. Einfache Modelle verwenden die Black-Scholes-Gleichung, für die eine explizite Formel für die Lösung existiert. Komplexere Modelle lassen keine analytische Lösung zu. Daher sind numerische Methoden erforderlich um die Modelle zu lösen. Sowohl die mathematische Modellierung als auch die numerische Simulation von Finanzderivaten wird in dieser Vorlesung behandelt. Wir konzentrieren uns auf zeitkontinuierliche (nicht zeitdiskrete) Modelle, die durch stochastische Differentialgleichungen oder partiellen Differentialgleichungen gegeben sind. Eine grobe Klassifizierung der Methoden zur Bestimmung des Preises eines Finanzderivats ergibt drei Typen: Binomialmethoden, Monte-Carlo-Simulationen und Techniken für partielle Differentialgleichungen, die möglicherweise freie Randbedingungen enthalten. Wir erläutern jede Art von Methode ausführlich. Entsprechende Algorithmen werden in Laborübungen mit dem Softwarepaket MATLAB.
- Modellierung des Finanzmarktes, Optionen
- Binomial methode und ihre Erweiterungens
- Risiko neutrale Auswertung, Stochastische Prozesse
- Geometrische Brownische Bewegung, Ito Lemma
- Exotische Optionen
- Stochastische Differential Gleichungen (SDEs)
- Kalibration und Sprung-Modelle
- Zufallszahlengeneratoren mit speziellen Verteilungen
- Monte Carlo Methoden, Varianz Reduzierungsansätze
Literatur
- R. Seydel, Tools for Computational Finance, 5th edition, Springer, 2012.
- D. Higham, An Introduction to Financial Option Valuation: Mathematics, Stochastics and Computation, Cambridge University Press, 2004.
- M. Günther and A. Jüngel, Finanzderivate mit MATLAB, Vieweg, 2nd ed., 2010.
- B. Øksendal, Stochastic Differential Equations. An Introduction with Applications, 6th edition, Springer, 2003.
- D. Higham, An algorithmic introduction to numerical simulation of stochastic differential equations, SIAM Review, Vol. 43, No. 3, pp. 525-546.
- P. Kloeden, E. Platen, Numerical Solution of Stochastic Differential Equations, Springer, 1992.
Computational Finance II
Ergänzend zu Computational Finance I, vertiefst du in dieser Veranstaltung deine Kenntnisse, dafür kannst du dir je nach Studiengang 8-9LP anrechnen lassen.
Typ: Vorlesung mit Übungen (4+2 SWS)
Tonus: Wintersemester
Sprache: Englisch
Vorkenntnisse: Analysis I+II, Lineare Algebra I+II, Einführung in die Numerische Mathematik, sowie Computational Finance I
Anrechenbar für: CompFi2 (9 LP), CompFin2 (8 LP), SKap.WM (9 LP), SKap.NAaA (9 LP)
Leistungsnachweis: Zum Erhalt der LP ist die erfolgreiche Bearbeitung von mindestens 50% der Aufgaben, von 2 Programmieraufgaben und das Bestehen der Prüfung Vorraussetzung. Je nach Kurs kann die Prüfung mündlich (30min) oder schriftlich (120min) erfolgen.
Ergänzende Veranstaltung: Programmierpraktikum für Computational Finance I
- Partielle Differential Gleichungen aus dem Finanzmarkt
- Finite Differenzen Methoden
- Finite Elemente Methoden
- Numerische Lösung von Anfangs- und Randwertproblemen
Literatur
- R. Seydel, Tools for Computational Finance, 5th edition, Springer, 2012.
- D. Higham, An Introduction to Financial Option Valuation: Mathematics, Stochastics and Computation, Cambridge University Press, 2004.
- M. Günther and A. Jüngel, Finanzderivate mit MATLAB, Vieweg, 2nd ed., 2010.
- B. Øksendal, Stochastic Differential Equations. An Introduction with Applications, 6th edition, Springer, 2003.
- D. Higham, An algorithmic introduction to numerical simulation of stochastic differential equations, SIAM Review, Vol. 43, No. 3, pp. 525-546.
- P. Kloeden, E. Platen, Numerical Solution of Stochastic Differential Equations, Springer, 1992
Introduction to Data Science
In diesem Kurs lernst du, wie aus umfangreichen, möglicherweise unvollständigen und hochdimensionalen Daten Wissen gezogen werden kann, um Beziehungen, Muster und Vorhersagen zu identifizieren und Entscheidungsprozesse sowie die Entwicklung von Empfehlungssystemen zu unterstützen.
Typ: Vorlesung mit Übungen (4+2 SWS / 9 LP)
Tonus: Sommersemester
Sprache: Englisch
Vorkenntnisse: ---
Leistungsnachweis: Schriftliche Prüfung, 2 Stunden
-
Motivation und Grundlagen
-
Supervised Techniken zur Inferenz und Vorhersage
-
Klassifikationsalgorithmen
- Unsupervised Learning und Dimensionsreduktion
