Dieses Skriptum ist aus den Jupyter-Notebooks der Lehrveranstaltung entstanden. Es enthält teilweise zusätzliche weiterführende Links und/oder Material, das zum weiterführenden Selbststudium geeignet ist.
Für Hinweise zu Fehlern oder Unklarheiten bin ich dankbar und bitte um eine kurze Email dazu.
Inhalt
- Startseite
- Allgemeine Informationen zur Lehrveranstaltung
- Einfaches Python Setup und Wichtige Informationen
- 0. Python Einführung und Checkup
- 1. Einführung und einfache Algorithmen
- 2. Differenzieren und Integrieren
- 3. Vektoren, Matrizen und Vektorisierung in Python
- 4. Datenanalyse bzw. Datenauswertung
- 5. Grundlagen der Optimierung und Gradient Descent
- 6. Stochastische Optimierung und Genetische Algorithmen
- 7. Monte-Carlo-Methoden – Simulation und Integration
- 8. Monte-Carlo-Methoden, Teil 2 – Monte-Carlo-Integration, Teil 2 und Random Walk
- 9. Unsupervised Machine Learning: Clustering von Daten
- 10. Supervised Machine Learning: Grundlagen
- 11. Einführung in künstliche neuronale Netzwerke
Die Jupyter-Notebooks zur Lehrveranstaltung finden Sie im zugehörigen GitHub-Repository.
Eine Liste möglicher Fragen zur Abschlussprüfung aus dieser Lehrveranstaltung finden Sie in der Fragensammlung.