Das Seminar wird als Blockseminar durchgeführt.

Ort und Zeit:

·         erstes Treffen (Einführung und Paperverteilung): 23. Oktober, 16:00, ZIB (Takustr. 7), Seminarraum 3028 (1. Obergeschoss)

·         zweites Treffen (Kurzvorträge): TBD (Termin wird beim ersten Treffen festgelegt) in der Mitte des Semesters, vermutlich am ZIB, ca. zwei Stunden

·         drittes Treffen (Seminarvorträge): TBD (Termin wird beim ersten Treffen festgelegt) je nach Teilnehmerzahl an einem oder zwei Tagen am Ende des Semesters, vermutlich ebenfalls am ZIB

Die Studierenden sollten Grundkenntnisse in Mathematischer Optimierung besitzen.

Beim zweiten Treffen sollen Sie einen Kurzvortrag (max. 5 Minuten) über Ihr Thema halten.

Zur erfolgreichen Teilnahme gehört weiterhin die Anfertigung einer Ausarbeitung der wesentlichen Inhalte Ihres Hauptvortrages, welchen Sie beim dritten Treffen halten werden, in professioneller Qualität (LaTeX, 5 Seiten). Die Ausarbeitung muss 14 Tage vor dem dritten Termin per E-Mail bei der zugeordneten Betreuungsperson eingegangen sein. Sie wird vor dem Präsentationstermin final benotet und Ihnen korrigiert zurückgegeben, sodass Sie vor dem Hauptvortrag bereits ein erstes Feedback erhalten.

Das eigentliche Seminar findet dann als Blockseminar an einem oder zwei Tagen (je nach Teilnehmerzahl) in einer der letzten Wochen des Semesters statt. Die Vorträge sollen eine Dauer von 45 Minuten haben, sodass 15 Minuten für anschließende Fragen und Diskussionen bleiben. Die rechtzeitige Abgabe der Ausarbeitung ist eine notwendige Bedingung für die Durchführung des Hauptvortrages.

Die Endnote setzt sich zu 40% aus der Ausarbeitung und zu 60% aus dem Hauptvortrag zusammen.

Inhalt:

Methoden des Machine Learning und der Diskreten Optimierung lassen sich auf vielfältige Art und Weise kombinieren. In diesem Seminar konzentrieren wir uns auf den Einsatz von Verfahren des Machine Learning zur Verbesserung von bereits bestehenden Optimierungsalgorithmen, insbesondere von Lösern für Gemischt-Ganzzahlige (Lineare) Programme.

Bei welchen Subroutinen bekannter Optimierungsalgorithmen können Machine-Learning-Verfahren zum Einsatz kommen? Welche Methoden des Machine Learning sind besonders geeignet, um die Entscheidungsfindung in Optimierungsalgorithmen zu unterstützen? Welche Problemklassen profitieren von einem kombinierten Lösungsansatz? Diese Fragen sind in der Literatur der letzten fünf Jahre ausgiebig diskutiert und zum Teil beantwortet worden. In diesem Seminar werden wir einige Highlights aktueller Forschung näher betrachten und Einblicke in aktuelle Entwicklungen erhalten.