Vorlesung

Neural networks for solving PDEs (Digital)

Nummer

011454, WS2021

Dozentinnen und Dozenten

• Dr. Fatma Ibrahim

Veranstaltungstyp

Vorlesung, 2+1

Ort und Zeit

Digital: Mi 12:00 2h

Modul-Zugehörigkeit (ohne Gewähr)

DPL:A:-:- – Mathematik für andere Fächer (Service)

DPL:B:-:2 – Mathematik, Diplom (auslaufend)

DPL:E:-:- – Mathematik, Promotionsstudiengang

MAMA:-:7:MAT-761

TMAMA:-:7:MAT-761

WIMAMA:-:7:MAT-761

Sprechstunde zur Veranstaltung

nach Vereinbarung

Gewünschte Vorkenntnisse

Basics of optimization Numerik II Basic of Neural Networks is a plus/ Basic of the lecture ''NN for solving ODEs''

Inhalt

Preliminaries of Artificial Neural Network
1.Mathematical Model of Artificial Neural Network
2.Activation Function
3. Neural Network Architecture
- Feed Forward Neural networks
- Recurrent Neural networks
- cellular Neural networks
- Finite Element Neural networks
- Radial Basis Function Neural networks
4. Optimization algorithms
5.Learning in Neural Networks
- Supervised Learning
- Unsupervised Learning
- Reinforcement Learning
6. Learning Algorithm
- BP Algorithm
- the RPROP learning Algorithm
- Genetic Algorithm
Neural Networks Methods for Solving Partial differential equations
1.Method of Multilayer Perceptron Neural Networks
2. Method of cellular Neural networks
3.Method of Radial Basis Function Neural networks
4.Method of Finite Element Neural networks

Bemerkungen

Link zum Modulhandbuch Mathematik

Die Veranstaltung ist auch für das Masterstudium Data Science wählbar.

Empfohlene Literatur

• No text book is specified but the following reference books may be some of use and help
• 1. Deep Learning by Ian Goodfellow , Yoshua Bengio and Aaron Courville

Übungen

Nummer der Übung

011455

Übungsgruppen

n.V.