Vorlesung + Übung: Hochdimensionale Wahrscheinlichkeitstheorie mit Anwendungen in Data Science - Details

Vorlesung + Übung: Hochdimensionale Wahrscheinlichkeitstheorie mit Anwendungen in Data Science - Details

Allgemeine Informationen

Veranstaltungsname Vorlesung + Übung: Hochdimensionale Wahrscheinlichkeitstheorie mit Anwendungen in Data Science
Veranstaltungsnummer MTH-2750, MTH-2758
Semester SS 2026
Aktuelle Anzahl der Teilnehmenden 15
Heimateinrichtung Stochastik und ihre Anwendungen
Veranstaltungstyp Vorlesung + Übung in der Kategorie Lehre
Erster Termin Dienstag, 14.04.26, 15:45 - 17:15 Uhr L/1008
Teilnehmende The course is open to Master students of Mathematics, Wi-Mathe, MRM, Data Science. Perfectly suited for Math + Computer Science track, also interested PhD students are welcome to attend.
Voraussetzungen Probability + Linear Algebra.
Lernorganisation Two lectures per week plus exercise session
Veranstaltung findet in Präsenz statt / hat Präsenz-Bestandteile Ja
Hauptunterrichtssprache englisch
Literaturhinweise Vershynin R. High-Dimensional Probability: An Introduction with Applications in Data Science. Cambridge University Press; 2026, 2nd edition
https://www.math.uci.edu/~rvershyn/papers/HDP-book/HDP-book.html#

Räume und Zeiten

L/1008

  • Dienstag, 15:45 - 17:15, Wöchentlich (ab dem 14.04.26)

L/1007

  • Donnerstag, 14:00 - 15:30, Wöchentlich (ab dem 16.04.26)

L/1009

  • Donnerstag, 15:45 - 17:15, Wöchentlich (ab dem 23.04.26)

Studienbereiche

Modulzuordnungen

Kommentar/Beschreibung

We discuss a number of special topics in probability theory related to random vectors, random matrices and random projections. We cover basic theoretical tools to analyze these objects and present applications of high-dimensional probability in data science. Please see

https://sites.google.com/view/dominik-schmid/high-dimensional-probability

for more details. In particular, we cover the following topics:

1. Concentration inequalities (Hoeffding's, Bernstein's inequalities etc)
2. Random vectors in high dimension
3. Random matrices (Covering and packing arguments etc)