Universität Wien

053612 VU Optimisation Methods for Data Science (2021W)

4.00 ECTS (3.00 SWS), SPL 5 - Informatik und Wirtschaftsinformatik
Prüfungsimmanente Lehrveranstaltung
GEMISCHT
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 25 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

  • Montag 04.10. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 07.10. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 11.10. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 14.10. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 18.10. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 21.10. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 25.10. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 28.10. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 04.11. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 08.11. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 11.11. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 15.11. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 18.11. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 22.11. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 25.11. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 29.11. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 02.12. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 06.12. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 09.12. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 13.12. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 16.12. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 10.01. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 13.01. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 17.01. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 20.01. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 24.01. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Donnerstag 27.01. 11:30 - 12:15 Seminarraum 7, Währinger Straße 29 1.OG
  • Montag 31.01. 09:45 - 11:15 Seminarraum 7, Währinger Straße 29 1.OG

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

The lecture will be held in presence.
Additionally it will be streamed through a BigBlueButton session as well (see the moodle course). Either way presence is not mandatory, but recommended and I will put the slides online.

This course will give an overview of modern optimization methods, for applications in data science. We will focus on algorithms which scale to large datasets.

Contents:
- Overview of different fields and methods
- the role of convexity
- first order methods, (stochastic) gradient descent
- connection of these methods to related fields
- online optimization
- saddle point problems and games

Art der Leistungskontrolle und erlaubte Hilfsmittel

(1) a take-home project
(2) an oral exam at the end of the semester (preferably in person; remotely if necessary)
(3) weekly exercises
(4) bonus points for active participation during classes

Regarding the oral exam: please send me an email so we can arrange a date. Last lecture is on the 31st of January, but I will only talk about previous material / answer questions in this one. So the earliest possible day would be the 25th of January. Preferably I would like to do all the exams between the 1st of February and the 4th of February. If this does not work for you we can arrange something but the latest possible day will be end of February.

Mindestanforderungen und Beurteilungsmaßstab

Exam: 50%
Project: 25%
Exercises: 25%

Grades:

0-53: nicht genuegend/fail (5)
54-65: genuegend/pass (4)
66-77: befriedigend/satisfactory (3)
78-89: gut/good (2)
90%-100%: sehr gut/excellent (1)

Prüfungsstoff

all material covered during the lecture

Literatur

Slides

Optimization for Machine Learning lecture notes by Martin Jaggi EPFL and Bernd Gärtner, ETH
https://raw.githubusercontent.com/epfml/OptML_course/master/lecture_notes/lecture-notes.pdf

Stephen Boyd and Lieven Vandenberghe.
Convex Optimization.
https://web.stanford.edu/~boyd/cvxbook/.

Zuordnung im Vorlesungsverzeichnis

Modul: OMD

Letzte Änderung: Di 07.12.2021 15:28