Suchergebnis: Katalogdaten im Frühjahrssemester 2021

Rechnergestützte Wissenschaften Bachelor Information
Bachelor-Studium (Studienreglement 2018)
Obligatorische Fächer des Basisjahres
Basisprüfungsblock 1
Wird im Herbstsemester angeboten.
Basisprüfungsblock 2
NummerTitelTypECTSUmfangDozierende
401-0232-10LAnalysis 2 Information Belegung eingeschränkt - Details anzeigen O8 KP4V + 2UT. Rivière
KurzbeschreibungEinführung in die mehrdimensionale Differential- und Integralrechung.
LernzielEinführung in die Grundlagen der Analysis
InhaltDifferenzierbare Abbildungen, Maxima und Minima,
der Satz ueber implizite Funktionen, mehrfache Integrale,
Integration ueber Untermannigfaltigkeiten, die Saetze von Gauss und Stokes.
SkriptChristian Blatter: Ingenieur-Analysis (Kapitel 4-6).
Konrad Koenigsberger, Analysis II.
401-0302-10LKomplexe Analysis Belegung eingeschränkt - Details anzeigen O4 KP3V + 1UA. Iozzi
KurzbeschreibungGrundlagen der Komplexen Analysis in Theorie und Anwendung, insbesondere globale Eigenschaften analytischer Funktionen. Einführung in die Integraltransformationen und Beschreibung einiger Anwendungen
LernzielErwerb von einigen grundlegenden Werkzeuge der komplexen Analysis.
InhaltBeispiele analytischer Funktionen, Cauchyscher Integralsatz, Taylor- und Laurententwicklungen, Singularitäten analytischer Funktionen, Residuenkalkül. Fourierreihen und Fourier-Transformation, Laplace-Transformation.
LiteraturJ. Brown, R. Churchill: "Complex Analysis and Applications", McGraw-Hill 1995

T. Needham. Visual complex analysis. Clarendon Press, Oxford. 2004.

M. Ablowitz, A. Fokas: "Complex variables: introduction and applications", Cambridge Text in Applied Mathematics, Cambridge University Press 1997

E. Kreyszig: "Advanced Engineering Analysis", Wiley 1999

J. Marsden, M. Hoffman: "Basic complex analysis", W. H. Freeman 1999

P. P. G. Dyke: "An Introduction to Laplace Transforms and Fourier Series", Springer 2004

A. Oppenheim, A. Willsky: "Signals & Systems", Prentice Hall 1997

M. Spiegel: "Laplace Transforms", Schaum's Outlines, Mc Graw Hill
Voraussetzungen / BesonderesVoraussetzungen: Analysis I und II
402-0044-00LPhysik IIO4 KP3V + 1UT. Esslinger
KurzbeschreibungEinführung in die Denk- und Arbeitsweise in der Physik unter Zuhilfenahme von Demonstrationsexperimenten: Elektrizität und Magnetismus, Licht, Einführung in die Moderne Physik.
LernzielVermittlung der physikalischen Denk- und Arbeitsweise und Einführung in die Methoden in einer experimentellen Wissenschaft. Der Studenten/in soll lernen physikalische Fragestellungen im eigenen Wissenschaftsbereich zu identifizieren, zu kommunizieren und zu lösen.
InhaltElektrizität und Magnetismus (elektrischer Strom, Magnetfelder, magnetische Induktion, Magnetismus der Materie, Maxwellsche Gleichungen)
Optik (Licht, geometrische Optik, Interferenz und Beugung)
Kurze Einführung in die Quantenphysik
SkriptDie Vorlesung richtet sich nach dem Lehrbuch "Physik" von Paul A. Tipler
LiteraturPaul A. Tipler and Gene Mosca
Physik
Springer Spektrum Verlag
529-4000-00LChemieO4 KP3GE. C. Meister
KurzbeschreibungEinführung in die Chemie mit Aspekten aus der anorganischen, organischen und physikalischen Chemie.
Lernziel- Einfache Modelle der chemischen Bindung und der dreidimensionalen Struktur von Molekülen verstehen
- Ausgewählte chemische Systeme anhand von Reaktionsgleichungen und Gleichgewichtsrechnungen beschreiben und quantitativ erfassen
- Grundlegende Begriffe der chemischen Kinetik (z. B. Reaktionsordnung, Geschwindigkeitsgesetz und -konstante) verstehen und anwenden.
InhaltPeriodensystem der Elemente, chemische Bindung (LCAO-MO), molekulare Struktur (VSEPR), Reaktionen, Gleichgewicht, chemische Kinetik.
SkriptKopien der Vorlesungs-Präsentationen und weitere Unterlagen werden abgegeben.
LiteraturC.E. Housecroft, E.C. Constable, Chemistry. An Introduction to Organic, Inorganic and Physical Chemistry, 4th ed., Pearson: Harlow 2010.
C.E. Mortimer, U. Müller, Chemie, 11. Auflage, Thieme: Stuttgart 2014.
252-0002-00LDatenstrukturen & Algorithmen Information O8 KP4V + 2UF. Friedrich Wicker
KurzbeschreibungEs werden grundlegende Entwurfsmuster für Algorithmen (z.B. Induktion, divide-and-conquer, backtracking, dynamische Programmierung), klassische algorithmische Probleme (Suchen, Sortieren) und Datenstrukturen (Listen, Hashverfahren, Suchbäume) behandelt. Ausserdem enthält der Kurs eine Einführung in das parallele Programmieren. Das Programmiermodell von C++ wird vertieft behandelt.
LernzielVerständnis des Entwurfs und der Analyse grundlegender Algorithmen und Datenstrukturen. Wissen um die Chancen, Probleme und Grenzen der parallelen und nebenläufigen Programmierung. Vertiefter Einblick in ein modernes Programmiermodell anhand der Prorgammiersprache C++.
InhaltEs werden grundlegende Algorithmen und Datenstrukturen vorgestellt und analysiert. Dazu gehören auf der einen Seite Entwurfsmuster für Algorithmen, wie Induktion, divide-and-conquer, backtracking und dynamische Optimierung, ebenso wie klassische algorithmische Probleme, wie Suchen und Sortieren. Auf der anderen Seite werden Datenstrukturen für verschiedene Zwecke behandelt, darunter verkettete Listen, Hashtabellen, balancierte Suchbäume, verschiedene heaps und union-find-Strukturen. Das Zusammenspiel von Algorithmen und Datenstrukturen wird anhand von Geometrie- und Graphenproblemen illustriert.

Im Teil über parallele Programmierung werden Konzepte der parallelen Architekturen besprochen (Multicore, Vektorisierung, Pipelining). Konzepte und Grundlagen der Parallelisierung werden behandelt (Gesetze von Amdahl und Gustavson, Task- und Datenparallelität, Scheduling). Probleme der Nebenläufigkeit werden diskutiert (Wettlaufsituationen, Speicherordnung). Prozesssynchronisation und -kommunikation in einem System mit geteiltem Speicher werden erklärt (Gegenseitiger Ausschluss, Semaphoren, Mutexe, Monitore). Fortschrittseigenschaften werden analysiert (Deadlock-Freiheit, Starvation-Freiheit, Lock-/Wait-Freiheit). Die erlernten Konzepte werden mit Beispielen zur nebenläufigen und parallelen Programmierung und mit Parallelen Algorithmen untermauert.

Das Programmiermodell von C++ wird vertieft behandelt. Das RAII Prinzip (Resource Allocation is Initialization) wird erklärt, Exception Handling, Funktoren und Lambda Ausdrücke und die generische Programmierung mit Templates sind weitere Beispiele dieses Kapitels. Die Implementation von parallelen und nebenläufigen Algorithmen mit C++ ist auch Teil der Übungen (Threads, Tasks, Mutexes, Condition Variables, Promises und Futures).

Übungen werden in der Online-IDE und Übungsmanagementsystem Code-Expert durchgeführt

Alle benötigten mathematischen Tools ausserhalb des Schulwissens werden im Kurs behandelt, einschliesslich einer grundlegenden Einführung zur Graphentheorie.
LiteraturTh. Ottmann, P. Widmayer: Algorithmen und Datenstrukturen, Spektrum-Verlag, 5. Auflage, Heidelberg, Berlin, Oxford, 2011

Thomas H. Cormen, Charles E. Leiserson, Ronald Rivest, Clifford Stein: Algorithmen - Eine Einführung, Oldenbourg, 2010

Maurice Herlihy, Nir Shavit, The Art of Multiprocessor Programming, Elsevier, 2012.

B. Stroustrup, The C++ Programming Language (4th Edition) Addison-Wesley, 2013.
Voraussetzungen / BesonderesVoraussetzung:
Vorlesung 252-0835-00L Informatik I 252-0835-00L oder äquivalente Kenntnisse in der Programmierung mit C++.
Grundlagenfächer
Block G1
Die Lehrveranstaltungen von Block G1 finden im Herbstsemester statt.
Block G2
Die Lehrveranstaltungen von Block G2 finden im Herbstsemester statt.
Block G3
NummerTitelTypECTSUmfangDozierende
401-0674-00LNumerical Methods for Partial Differential Equations
Nicht für Studierende BSc/MSc Mathematik
O10 KP2G + 2U + 2P + 4AR. Hiptmair
KurzbeschreibungDerivation, properties, and implementation of fundamental numerical methods for a few key partial differential equations: convection-diffusion, heat equation, wave equation, conservation laws. Implementation in C++ based on a finite element library.
LernzielMain skills to be acquired in this course:
* Ability to implement fundamental numerical methods for the solution of partial differential equations efficiently.
* Ability to modify and adapt numerical algorithms guided by awareness of their mathematical foundations.
* Ability to select and assess numerical methods in light of the predictions of theory
* Ability to identify features of a PDE (= partial differential equation) based model that are relevant for the selection and performance of a numerical algorithm.
* Ability to understand research publications on theoretical and practical aspects of numerical methods for partial differential equations.
* Skills in the efficient implementation of finite element methods on unstructured meshes.

This course is neither a course on the mathematical foundations and numerical analysis of methods nor an course that merely teaches recipes and how to apply software packages.
Inhalt1 Second-Order Scalar Elliptic Boundary Value Problems
1.2 Equilibrium Models: Examples
1.3 Sobolev spaces
1.4 Linear Variational Problems
1.5 Equilibrium Models: Boundary Value Problems
1.6 Diffusion Models (Stationary Heat Conduction)
1.7 Boundary Conditions
1.8 Second-Order Elliptic Variational Problems
1.9 Essential and Natural Boundary Conditions
2 Finite Element Methods (FEM)
2.2 Principles of Galerkin Discretization
2.3 Case Study: Linear FEM for Two-Point Boundary Value Problems
2.4 Case Study: Triangular Linear FEM in Two Dimensions
2.5 Building Blocks of General Finite Element Methods
2.6 Lagrangian Finite Element Methods
2.7 Implementation of Finite Element Methods
2.7.1 Mesh Generation and Mesh File Format
2.7.2 Mesh Information and Mesh Data Structures
2.7.2.1 L EHR FEM++ Mesh: Container Layer
2.7.2.2 L EHR FEM++ Mesh: Topology Layer
2.7.2.3 L EHR FEM++ Mesh: Geometry Layer
2.7.3 Vectors and Matrices
2.7.4 Assembly Algorithms
2.7.4.1 Assembly: Localization
2.7.4.2 Assembly: Index Mappings
2.7.4.3 Distribute Assembly Schemes
2.7.4.4 Assembly: Linear Algebra Perspective
2.7.5 Local Computations
2.7.5.1 Analytic Formulas for Entries of Element Matrices
2.7.5.2 Local Quadrature
2.7.6 Treatment of Essential Boundary Conditions
2.8 Parametric Finite Element Methods
3 FEM: Convergence and Accuracy
3.1 Abstract Galerkin Error Estimates
3.2 Empirical (Asymptotic) Convergence of Lagrangian FEM
3.3 A Priori (Asymptotic) Finite Element Error Estimates
3.4 Elliptic Regularity Theory
3.5 Variational Crimes
3.6 FEM: Duality Techniques for Error Estimation
3.7 Discrete Maximum Principle
3.8 Validation and Debugging of Finite Element Codes
4 Beyond FEM: Alternative Discretizations [dropped]
5 Non-Linear Elliptic Boundary Value Problems [dropped]
6 Second-Order Linear Evolution Problems
6.1 Time-Dependent Boundary Value Problems
6.2 Parabolic Initial-Boundary Value Problems
6.3 Linear Wave Equations
7 Convection-Diffusion Problems [dropped]
8 Numerical Methods for Conservation Laws
8.1 Conservation Laws: Examples
8.2 Scalar Conservation Laws in 1D
8.3 Conservative Finite Volume (FV) Discretization
8.4 Timestepping for Finite-Volume Methods
8.5 Higher-Order Conservative Finite-Volume Schemes
SkriptThe lecture will be taught in flipped classroom format:
- Video tutorials for all thematic units will be published online.
- Tablet notes accompanying the videos will be made available to the audience as PDF.
- A comprehensive lecture document will cover all aspects of the course.
LiteraturChapters of the following books provide supplementary reading
(detailed references in course material):

* D. Braess: Finite Elemente,
Theorie, schnelle Löser und Anwendungen in der Elastizitätstheorie, Springer 2007 (available online).
* S. Brenner and R. Scott. Mathematical theory of finite element methods, Springer 2008 (available online).
* A. Ern and J.-L. Guermond. Theory and Practice of Finite Elements, volume 159 of Applied Mathematical Sciences. Springer, New York, 2004.
* Ch. Großmann and H.-G. Roos: Numerical Treatment of Partial Differential Equations, Springer 2007.
* W. Hackbusch. Elliptic Differential Equations. Theory and Numerical Treatment, volume 18 of Springer Series in Computational Mathematics. Springer, Berlin, 1992.
* P. Knabner and L. Angermann. Numerical Methods for Elliptic and Parabolic Partial Differential Equations, volume 44 of Texts in Applied Mathematics. Springer, Heidelberg, 2003.
* S. Larsson and V. Thomée. Partial Differential Equations with Numerical Methods, volume 45 of Texts in Applied Mathematics. Springer, Heidelberg, 2003.
* R. LeVeque. Finite Volume Methods for Hyperbolic Problems. Cambridge Texts in Applied Mathematics. Cambridge University Press, Cambridge, UK, 2002.

However, study of supplementary literature is not important for for following the course.
Voraussetzungen / BesonderesMastery of basic calculus and linear algebra is taken for granted.
Familiarity with fundamental numerical methods (solution methods for linear systems of equations, interpolation, approximation, numerical quadrature, numerical integration of ODEs) is essential.

Important: Coding skills and experience in C++ are essential.

Homework assignments involve substantial coding, partly based on a C++ finite element library. The written examination will be computer based and will comprise coding tasks.
401-0614-00LWahrscheinlichkeit und Statistik Information Belegung eingeschränkt - Details anzeigen O5 KP2V + 2UM. Schweizer
KurzbeschreibungEinführung in die Wahrscheinlichkeitstheorie und Statistik
Lernziela) Fähigkeit, die behandelten wahrscheinlichkeitstheoretischen Methoden zu verstehen und anzuwenden

b) Probabilistisches Denken und stochastische Modellierung

c) Fähigkeit, einfache statistische Tests selbst durchzuführen und die Resultate zu interpretieren
InhaltWahrscheinlichkeitsraum, Wahrscheinlichkeitsmass, Zufallsvariablen, Verteilungen, Dichten, Unabhängigkeit, bedingte Wahrscheinlichkeiten, Erwartungswert, Varianz, Kovarianz, Gesetz der grossen Zahlen, Zentraler Grenzwertsatz, grosse Abweichungen, Chernoff-Schranken, Maximum-Likelihood-Schätzer, Momentenschätzer, Tests, Neyman-Pearson Lemma, Konfidenzintervalle
SkriptLernmaterialien sind erhältlich auf Link
Block G4
NummerTitelTypECTSUmfangDozierende
529-0431-00LPhysikalische Chemie III: Molekulare Quantenmechanik Information Belegung eingeschränkt - Details anzeigen O4 KP4GF. Merkt
KurzbeschreibungPostulate der Quantenmechanik, Operatorenalgebra, Schrödingergleichung, Zustandsfunktionen und Erwartungswerte, Matrixdarstellung von Operatoren, das Teilchen im Kasten, Tunnelprozess, harmonische Oszillator, molekulare Schwingungen, Drehimpuls und Spin, verallgemeinertes Pauli Prinzip, Störungstheorie, Variationsprinzip, elektronische Struktur von Atomen und Molekülen, Born-Oppenheimer Näherung.
LernzielEs handelt sich um eine erste Grundvorlesung in Quantenmechanik. Die Vorlesung beginnt mit einem Überblick über die grundlegenden Konzepte der Quantenmechanik und führt den mathematischen Formalismus ein. Im Folgenden werden die Postulate und Theoreme der Quantenmechanik im Kontext der experimentellen und rechnerischen Ermittlung von physikalischen Grössen diskutiert. Die Vorlesung vermittelt die notwendigen Werkzeuge für das Verständnis der elementaren Quantenphänomene in Atomen und Molekülen.
InhaltPostulate und Theoreme der Quantenmechanik: Operatorenalgebra, Schrödingergleichung, Zustandsfunktionen und Erwartungswerte. Lineare Bewegungen: Das freie Teilchen, das Teilchen im Kasten, quantenmechanisches Tunneln, der harmonische Oszillator und molekulare Schwingungen. Drehimpulse: Spin- und Bahnbewegungen, molekulare Rotationen. Elektronische Struktur von Atomen und Molekülen: Pauli-Prinzip, Drehimpulskopplung, Born-Oppenheimer Näherung. Grundlagen der Variations- und Störungtheorie. Behandlung grösserer Systeme (Festkörper, Nanostrukturen).
SkriptEin Vorlesungsskript in Deutsch wird erhältlich sein. Das Skipt ersetzt allerdings NICHT persönliche Notizen und deckt nicht alle Aspekte der Vorlesung ab.
151-0102-00LFluiddynamik I Belegung eingeschränkt - Details anzeigen O6 KP4V + 2UT. Rösgen
KurzbeschreibungEs wird eine Einführung in die physikalischen und mathematischen Grundlagen der Fluiddynamik geboten. Themengebiete sind u.a. Dimensionsanalyse, integrale und differentielle Erhaltungsgleichungen, reibungsfreie und -behaftete Strömungen, Navier-Stokes Gleichungen, Grenzschichten, turbulente Rohrströmung. Elementare Lösungen und Beipiele werden päsentiert.
LernzielEinführung in die physikalischen und mathematischen Grundlagen der Fluiddynamik. Vertrautmachen mit den Grundbegriffen, Anwendungen auf einfache Probleme.
InhaltPhänomene, Anwendungen, Grundfragen
Dimensionsanalyse und Ähnlichkeit; Kinematische Beschreibung; Erhaltungssätze (Masse, Impuls, Energie), integrale und differentielle Formulierungen; Reibungsfreie Strömungen: Euler-Gleichungen, Stromfadentheorie, Satz von Bernoulli; Reibungsbehaftete Strömungen: Navier-Stokes-Gleichungen; Grenzschichten; Turbulenz
SkriptEin Skript (erweiterte Formelsammlung) zur Vorlesung wird elektronisch zur Verfügung gestellt.
LiteraturEmpfohlenes Buch: Fluid Mechanics, Kundu & Cohen & Dowling, 6th ed., Academic Press / Elsevier (2015).
Voraussetzungen / BesonderesVoraussetzungen: Physik, Analysis
529-0483-00LStatistische Physik und Computer Simulation Information O4 KP2V + 1US. Riniker, P. H. Hünenberger
KurzbeschreibungDie statistische Mechanik verbindet die detaillierte Beschreibung der mikroskopischen Viel-Teilchen-Dynamik mit der phänomenologischen, gemittelten Beschreibung des makroskopischen Benehmens eines Systems. Sie wird mittels Computersimulationen dargelegt. Prinzipien und Anwendungen der statistischen Mechanik und Gleichgewichts-Molekulardynamik; Monte-Carlo-Verfahren und stochastischen Dynamik.
LernzielEinführung in die statistische Mechanik mit Hilfe von Computersimulationen, erwerben der Fertigkeit Computersimulationen durchzuführen und die Resultate zu interpretieren.
InhaltDie statistische Mechanik verbindet die detaillierte Beschreibung der mikroskopischen Viel-Teilchen-Dynamik mit der phänomenologischen, gemittelten Beschreibung des makroskopischen Benehmens eines Systems. Die statistische Mechanik wird mit Hilfe von Computersimulationen dargelegt.
Prinzipien und Anwendungen der statistischen Mechanik und Gleichgewichts-Molekulardynamik; Monte-Carlo-Verfahren; Prinzipien und Anwendungen der stochastischen Dynamik; Einführung und Anwendungen der freien Energie-Rechnungen.
Literaturwird in der Vorlesung bekannt gegeben
Voraussetzungen / BesonderesDa die Übungen am Computer wesentlich andere Fähigkeiten vermitteln und prüfen als die Vorlesung und schriftliche Prüfung, werden am Ende der Veranstaltung Ergebnisse einer kleinen Programmierarbeit von je zwei TeilnehmerInnen in einer 10 minütigen Präsentation vorgestellt.

Zusätzliche Informationen werden bei Veranstaltungsbeginn bekannt gegeben.
Kernfächer aus dem Bereich I (Module)
Modul A
NummerTitelTypECTSUmfangDozierende
151-0116-00LHigh Performance Computing for Science and Engineering (HPCSE) for CSE Information W7 KP4G + 2PP. Koumoutsakos, S. M. Martin
KurzbeschreibungThis course focuses on programming methods and tools for parallel computing on multi and many-core architectures. Emphasis will be placed on practical and computational aspects of Bayesian Uncertainty Quantification and Machine Learning including the implementation of these algorithms on HPC architectures.
LernzielThe course will teach
- programming models and tools for multi and many-core architectures
- fundamental concepts of Uncertainty Quantification and Propagation (UQ+P) for computational models of systems in Engineering and Life Sciences.
- fundamentals of Deep Learning
InhaltHigh Performance Computing:
- Advanced topics in shared-memory programming
- Advanced topics in MPI
- GPU architectures and CUDA programming

Uncertainty Quantification:
- Uncertainty quantification under parametric and non-parametric modeling uncertainty
- Bayesian inference with model class assessment
- Markov Chain Monte Carlo simulation

Machine Learning
- Deep Neural Networks and Stochastic Gradient Descent
- Deep Neural Networks for Data Compression (Autoencoders)
- Recurrent Neural Networks
SkriptLink
Class notes, handouts
Literatur- Class notes
- Introduction to High Performance Computing for Scientists and Engineers, G. Hager and G. Wellein
- CUDA by example, J. Sanders and E. Kandrot
- Data Analysis: A Bayesian Tutorial, D. Sivia and J. Skilling
- An introduction to Bayesian Analysis - Theory and Methods, J. Gosh, N. Delampady and S. Tapas
- Bayesian Data Analysis, A. Gelman, J. Carlin, H. Stern, D. Dunson, A. Vehtari and D. Rubin
- Machine Learning: A Bayesian and Optimization Perspective, S. Theodorides
Voraussetzungen / BesonderesAttendance of HPCSE I
Modul B
NummerTitelTypECTSUmfangDozierende
401-3670-00LHigh-Performance Computing Lab for CSE Belegung eingeschränkt - Details anzeigen W7 KP4G + 1PR. Käppeli, O. Schenk
KurzbeschreibungThis HPC Lab for CSE will focus on the effective exploitation of state-of-the-art HPC systems with a special focus on Computational Science and Engineering. The content of the course is tailored for 3th year Bachelor students interested in both learning parallel programming models, scientific mathematical libraries, and having hands-on experience using HPC systems.
LernzielA goal of the course is that students will learn principles and practices of basic numerical methods and HPC to enable large-scale scientific simulations. This goal will be achieved within six to eight mini-projects with a focus on HPC and CSE.
InhaltDespite the success of parallel programming languages standardization, there is growing evidence that future computational science applications will depend on a computational software stack. The computational software approach in this HPC Lab is based on building and using small, simple software parts with flexible, easy-to-use interfaces. These simple software parts are toolkits - libraries containing basic services commonly needed by applications - and they build the underlying software layer for computational science and engineering applications. This course will introduce some of the many ways in which mathematical HPC software and numerical algorithms in computer science and mathematics play a role in computational science. The students will learn within several mini-projects how these algorithms and software can be used to enable large-scale scientific applications. It covers topics such as single core optimization for the memory hierarchy, parallel large-scale graph partititoning, parallel mathematical linear solvers, large-scale nonlinear optimization, and parallel software for the mathematical solution of nonlinear partial differential equations. The course takes both an algorithmic and a computing approach, focusing on techniques that have a high level of applicability to engineering, computer science, and industrial mathematics.
SkriptLink to Moodle course: Link
Voraussetzungen / BesonderesSolid knowledge of the C programming language, parallel programming paradigms such as OpenMP and MPI, and numerical methods in scientific computing in the area of linear algebra, mathematical optimization, and partial differential equations.

The students might continue to study these HPC techniques within the annual USI-CSCS summer school on "Effective High-Performance Computing & Data Analytics Summer School". The content of the course is tailored for intermediate graduate students interested in both learning parallel programming models, and having hands-on experience using HPC systems. Starting from an introductory explanation of the available systems at CSCS, the course will progress to more applied topics such as parallel programming on accelerators, scientific libraries, and deep learning software frameworks. The following topics will be covered: GPU architectures, GPU programming, Message passing programming model (MPI), Performance optimization and scientific libraries, interactive supercomputing, Python libraries, Introduction to Machine Learning, and GPU optimized framework. The Summer School will be held from July 13 to 24, 2021 at the Steger Center in Riva San Vitale, located in the Italian area of Switzerland.

More information about the summer school is available here: Link
Kernfächer aus dem Bereich II
Die Anrechnung der Lerneinheit 252-0220-00L Introduction to Machine Learning als Kernfach schliesst deren Anrechnung für das Vertiefungsgebiet Robotik aus.
NummerTitelTypECTSUmfangDozierende
252-0232-00LSoftware Engineering Information W6 KP2V + 1UF. Friedrich Wicker, M. Schwerhoff
KurzbeschreibungThis course introduces both theoretical and applied aspects of software engineering. It covers:

- Software Architecture
- Informal and formal Modeling
- Design Patterns
- Software Engineering Principles
- Code Refactoring
- Program Testing
LernzielThe course has two main objectives:

- Obtain an end-to-end (both, theoretical and practical) understanding of the core techniques used for building quality software.
- Be able to apply these techniques in practice.
InhaltWhile the lecture will provide the theoretical foundations for the various aspects of software engineering, the students will apply those techniques in project work that will span over the whole semester - involving all aspects of software engineering, from understanding requirements over design and implementation to deployment and change requests.
Skriptno lecture notes
LiteraturWill be announced in the lecture
252-0220-00LIntroduction to Machine Learning Information Belegung eingeschränkt - Details anzeigen
Limited number of participants. Preference is given to students in programmes in which the course is being offered. All other students will be waitlisted. Please do not contact Prof. Krause for any questions in this regard. If necessary, please contact Link
W8 KP4V + 2U + 1AA. Krause, F. Yang
KurzbeschreibungThe course introduces the foundations of learning and making predictions based on data.
LernzielThe course will introduce the foundations of learning and making predictions from data. We will study basic concepts such as trading goodness of fit and model complexitiy. We will discuss important machine learning algorithms used in practice, and provide hands-on experience in a course project.
Inhalt- Linear regression (overfitting, cross-validation/bootstrap, model selection, regularization, [stochastic] gradient descent)
- Linear classification: Logistic regression (feature selection, sparsity, multi-class)
- Kernels and the kernel trick (Properties of kernels; applications to linear and logistic regression); k-nearest neighbor
- Neural networks (backpropagation, regularization, convolutional neural networks)
- Unsupervised learning (k-means, PCA, neural network autoencoders)
- The statistical perspective (regularization as prior; loss as likelihood; learning as MAP inference)
- Statistical decision theory (decision making based on statistical models and utility functions)
- Discriminative vs. generative modeling (benefits and challenges in modeling joint vy. conditional distributions)
- Bayes' classifiers (Naive Bayes, Gaussian Bayes; MLE)
- Bayesian approaches to unsupervised learning (Gaussian mixtures, EM)
LiteraturTextbook: Kevin Murphy, Machine Learning: A Probabilistic Perspective, MIT Press
Voraussetzungen / BesonderesDesigned to provide a basis for following courses:
- Advanced Machine Learning
- Deep Learning
- Probabilistic Artificial Intelligence
- Seminar "Advanced Topics in Machine Learning"
Bachelor-Arbeit
Wenn Sie anstelle von 401-2000-00L Scientific Works in Mathematics die Lerneinheit 402-2000-00L Scientific Works in Physics anrechnen lassen möchten (dies ist erlaubt im Studiengang Rechnergestützte Wissenschaften), so wenden Sie sich nach dem Verfügen des Resultates an das Studiensekretariat (Link).
NummerTitelTypECTSUmfangDozierende
401-2000-00LScientific Works in Mathematics
Zielpublikum:
Bachelor-Studierende im dritten Jahr;
Master-Studierende, welche noch keine entsprechende Ausbildung vorweisen können.
O0 KPM. Burger
KurzbeschreibungIntroduction to scientific writing for students with focus on publication standards and ethical issues, especially in the case of citations (references to works of others.)
LernzielLearn the basic standards of scientific works in mathematics.
Inhalt- Types of mathematical works
- Publication standards in pure and applied mathematics
- Data handling
- Ethical issues
- Citation guidelines
SkriptMoodle of the Mathematics Library: Link
Voraussetzungen / BesonderesDirective Link
401-2000-01LLunch Sessions – Thesis Basics für Mathematik-Studierende
Für Details und zur Registrierung für den freiwilligen MathBib-Schulungskurs: Link
Z0 KPReferent/innen
KurzbeschreibungFreiwilliger Kurs "Recherchieren in der Mathematik" angeboten von der Mathematikbibliothek.
Lernziel
402-2000-00LScientific Works in Physics
Zielpublikum:
Master-Studierende, welche noch keine entsprechende Ausbildung vorweisen können.

Weisung Link
W0 KPC. Eichler
KurzbeschreibungLiterature Review: ETH-Library, Journals in Physics, Google Scholar; Thesis Structure: The IMRAD Model; Document Processing: LaTeX and BibTeX, Mathematical Writing, AVETH Survival Guide; ETH Guidelines for Integrity; Authorship Guidelines; ETH Citation Etiquettes; Declaration of Originality.
LernzielBasic standards for scientific works in physics: How to write a Master Thesis. What to know about research integrity.
401-3990-18LBachelor-Arbeit Belegung eingeschränkt - Details anzeigen
Nur für Rechnergestützte Wissenschaften BSc, Studienreglement 2018.

Voraussetzung: erfolgreicher Abschluss der Lerneinheit 401-2000-00L Scientific Works in Mathematics oder 402-2000-00L Scientific Works in Physics
Weitere Angaben unter Link
O14 KP30DBetreuer/innen
KurzbeschreibungDie Bachelor-Arbeit bildet den Abschluss des Studiengangs. Sie soll einerseits dazu dienen, das Wissen in einem bestimmten Fachgebiet zu vertiefen sowie in einen ersten Kontakt mit Anwendungen zu kommen und Probleme aus solchen Anwendungen in einer bestehenden wissenschaftlichen Gruppe rechnergestützt anzugehen. Die Bachelor-Arbeit umfasst ca. 420 Stunden.
LernzielDie Bachelorarbeit soll einerseits dazu dienen, das Wissen in einem bestimmten Fachgebiet zu vertiefen sowie in einen ersten Kontakt mit Anwendungen zu kommen und Probleme aus solchen Anwendungen rechnergestützt anzugehen. Andererseits soll auch gelernt werden, in einer bestehenden wissenschaftlichen Gruppe mitzuarbeiten.
Voraussetzungen / BesonderesDer verantwortliche Leiter der Bachelorarbeit definiert die Aufgabenstellung und legt den Beginn der Bachelorarbeit und den Abgabetermin fest. Die Bachelorarbeit wird mit einem schriftlichen Bericht abgeschlossen. Die Leistung wird mit einer Note bewertet.
  •  Seite  1  von  1