Podcasts about mathematik

Switch B reps the home team lovely with gems from Toronto's own Saukrates, Grassroots, Brassmunk, Mathematik and more. Plus Turkish x Brazilian magnetism with Peki Momés, a Co-Flow classic back to back with the Murs reboot, and weird wonderful breaks from Billy Green and Chris Tembo. View the full playlist for this show at https://www.wefunkradio.com/show/1252 Enjoying WEFUNK? Listen to all of our mixes at https://www.wefunkradio.com/shows/

Das Thurgauer Amt für Volksschule wollte den Deutsch-Unterricht auch in anderen Fächern fördern, zum Beispiel in der Mathematik oder NMG. Was als Pilotprojekt geplant war, ist nun vorerst gescheiert. Es haben sich keine Schulen zur Verfügung gestellt. Weitere Themen: · Sensibilisierungskampagne Tourismus GL · Wetter

Am Sonntag startet wieder unsere radio3-Aktion "Berlin liest ein Buch" - zusammen mit radioeins und dem Berliner Landesverband des Deutschen Bibliotheksverbandes. Die ganze Stadt wird mit vielen Veranstaltungen zum Lesekreis zu einem Buch: Alina Bronskys Roman "Pi mal Daumen". Ein Buch das aufs Schönste Mathematik und Literatur verbindet. Geschrieben hat es die deutsch-russische Schriftstellerin Alina Bronsky. Auftaktveranstaltung ist im Studio 14. Und was uns da und bis zum 8. Juni erwartet, erzählt uns Thomas Böhm.

Als die britische Krankenschwester Florence Nightingale am 4. November 1854 im Lazarett in Scutari ankommt, sterben im Schnitt vier von zehn Patienten. Mithilfe von statistischen Analysen und deren visueller Aufbereitung kann Nightingale die Sterblichkeitsrate unter den verletzten und kranken Soldaten drastisch senken. Den Artikel von Manon Bischoff aus der Reihe „Die fabelhafte Welt der Mathematik“ über Florence Nightingale und die Datenvisualisierung könnt ihr hier lesen. Ein Archiv der schriftlichen Arbeiten von Florence Nightingale findet ihr hier. Und den Nachruf über Florence Nightingale, der am 15. August 1910 in der Times erschienen ist, lest ihr hier nach. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:01) Einleitung (00:03:23) Der frühe Wunsch nach Unabhängigkeit (00:06:34) Alles für den Traumjob Krankenschwester (00:10:43) Als Krankenpflegerin in den Krimkrieg (00:16:36) Nightingales Engagement im Lazarett (00:21:47) Visualisierung von Daten (00:24:59) Die Macht der Statistik (00:30:13) Manipulative Diagramme (00:33:53) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-florence-nightingale

Als die britische Krankenschwester Florence Nightingale am 4. November 1854 im Lazarett in Scutari ankommt, sterben im Schnitt vier von zehn Patienten. Mithilfe von statistischen Analysen und deren visueller Aufbereitung kann Nightingale die Sterblichkeitsrate unter den verletzten und kranken Soldaten drastisch senken. Den Artikel von Manon Bischoff aus der Reihe „Die fabelhafte Welt der Mathematik“ über Florence Nightingale und die Datenvisualisierung könnt ihr hier lesen. Ein Archiv der schriftlichen Arbeiten von Florence Nightingale findet ihr hier. Und den Nachruf über Florence Nightingale, der am 15. August 1910 in der Times erschienen ist, lest ihr hier nach. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:01) Einleitung (00:03:23) Der frühe Wunsch nach Unabhängigkeit (00:06:34) Alles für den Traumjob Krankenschwester (00:10:43) Als Krankenpflegerin in den Krimkrieg (00:16:36) Nightingales Engagement im Lazarett (00:21:47) Visualisierung von Daten (00:24:59) Die Macht der Statistik (00:30:13) Manipulative Diagramme (00:33:53) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-florence-nightingale

Das Langlands-Programm will die Mathematik revolutionieren. 2024 gelang Forschenden ein wichtiger Durchbruch. Was hinter dem Projekt steckt — und was ein mathematischer Erotikfilm damit zu tun hat. (00:00:00) Intro (00:00:45) Begrüßung und Opener: Das Langlands-Programm (00:01:52) Das Langlands-Programm ist … kompliziert (00:03:24) Das Ziel des Langlands-Programm: Algebra trifft Geometrie (00:07:21) Wie funktioniert dieses Programm? (00:10:53) Der Beef um die dritte Brücke (00:13:02) Der 1000-seitige Beweis der dritten Brücke (00:20:23) Ein Mathe-Erotikfilm! WTF? (00:23:29) Verabschiedung Hier entlang geht's zu den Links unserer Werbepartner: https://detektor.fm/werbepartner/spektrum-der-wissenschaft >> Artikel zum Nachlesen: https://detektor.fm/wissen/spektrum-podcast-langlands-programm

Das Langlands-Programm will die Mathematik revolutionieren. 2024 gelang Forschenden ein wichtiger Durchbruch. Was hinter dem Projekt steckt — und was ein mathematischer Erotikfilm damit zu tun hat. (00:00:00) Intro (00:00:45) Begrüßung und Opener: Das Langlands-Programm (00:01:52) Das Langlands-Programm ist … kompliziert (00:03:24) Das Ziel des Langlands-Programm: Algebra trifft Geometrie (00:07:21) Wie funktioniert dieses Programm? (00:10:53) Der Beef um die dritte Brücke (00:13:02) Der 1000-seitige Beweis der dritten Brücke (00:20:23) Ein Mathe-Erotikfilm! WTF? (00:23:29) Verabschiedung Hier entlang geht's zu den Links unserer Werbepartner: https://detektor.fm/werbepartner/spektrum-der-wissenschaft >> Artikel zum Nachlesen: https://detektor.fm/wissen/spektrum-podcast-langlands-programm

Ein Professor der Mathematik - technikfeindlich und weltfremd - erhält im Rahmen eines Forschungsauftrags eine neuartige Apparatur in sein Zuhause. Zunächst verblüfft über die Möglichkeiten, scheint die Maschine bald ein Eigenleben zu entwickeln. Mit jeder weiteren erstaunlichen Leistung wird dem Professor das sogenannte „Elektronengehirn“ unheimlicher. Wie stellte man sich in den 1960er-Jahren Künstliche Intelligenz vor? Im Hörspiel „Aufzeichnungen eines ordentlichen Menschen“ aus dem Jahr 1967 nimmt Heinz von Cramer einiges lustvoll vorweg. Die heutigen technischen Möglichkeiten waren in den 1960ern natürlich noch in weiter Ferne - doch die Ambivalenz dieser neuen Technologie ist bereits deutlich spürbar. Mit: Willy Trenk-Trebitsch, Maria Donnerstag, Erwin Scherschel, Claus Villinger. Regie: Heinz von Cramer Produktion: hr/SR/SDR/SWF 1967 | ca. 65 Min. (Audio verfügbar bis 09.05.2026)

Das Langlands-Programm will die Mathematik revolutionieren. 2024 gelang Forschenden ein wichtiger Durchbruch. Was hinter dem Projekt steckt — und was ein mathematischer Erotikfilm damit zu tun hat. (00:00:00) Intro (00:00:45) Begrüßung und Opener: Das Langlands-Programm (00:01:52) Das Langlands-Programm ist … kompliziert (00:03:24) Das Ziel des Langlands-Programm: Algebra trifft Geometrie (00:07:21) Wie funktioniert dieses Programm? (00:10:53) Der Beef um die dritte Brücke (00:13:02) Der 1000-seitige Beweis der dritten Brücke (00:20:23) Ein Mathe-Erotikfilm! WTF? (00:23:29) Verabschiedung Hier entlang geht's zu den Links unserer Werbepartner: https://detektor.fm/werbepartner/spektrum-der-wissenschaft >> Artikel zum Nachlesen: https://detektor.fm/wissen/spektrum-podcast-langlands-programm

Als der französische Mathematiker Cédric Villani 2010 die Fields-Medaille gewinnt, ist das der Höhepunkt seiner Karriere als mathematischer Forscher — doch sie markiert zugleich den Startpunkt einer neuen Karriere als wissenschaftlicher Kommunikator und Politiker. Den Disney-Kurzfilm „Donald in Mathmagic Land“ könnt ihr hier anschauen. Manon und Demian bei „Behind Science“ über die Geschichte der Zahl Null könnt ihr hier anhören. Demian bei „Behind Science“ über Mathe im Café findet ihr hier. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:02) Einleitung (00:03:34) Wozu Wissenschaftskommunikation? (00:06:08) Villani: Mathe-Liebe auf den ersten Blick (00:09:53) Eine steile Forschungskarriere (00:14:20) Die Folgen der Fields-Medaille (00:17:14) Villani zwischen Wissenschaft und Politik (00:20:45) Die Komplexität der Boltzmann-Gleichung (00:24:56) Physikalische Systeme und ihre Zeitrichtung (00:30:36) Die zunehmende Komplexität der Welt (00:37:46) Manon und Demian über Forschung & Wissenschaftskommunikation (00:40:20) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-cedric-villani

Als der französische Mathematiker Cédric Villani 2010 die Fields-Medaille gewinnt, ist das der Höhepunkt seiner Karriere als mathematischer Forscher — doch sie markiert zugleich den Startpunkt einer neuen Karriere als wissenschaftlicher Kommunikator und Politiker. Den Disney-Kurzfilm „Donald in Mathmagic Land“ könnt ihr hier anschauen. Manon und Demian bei „Behind Science“ über die Geschichte der Zahl Null könnt ihr hier anhören. Demian bei „Behind Science“ über Mathe im Café findet ihr hier. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:02) Einleitung (00:03:34) Wozu Wissenschaftskommunikation? (00:06:08) Villani: Mathe-Liebe auf den ersten Blick (00:09:53) Eine steile Forschungskarriere (00:14:20) Die Folgen der Fields-Medaille (00:17:14) Villani zwischen Wissenschaft und Politik (00:20:45) Die Komplexität der Boltzmann-Gleichung (00:24:56) Physikalische Systeme und ihre Zeitrichtung (00:30:36) Die zunehmende Komplexität der Welt (00:37:46) Manon und Demian über Forschung & Wissenschaftskommunikation (00:40:20) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-cedric-villani

Als der französische Mathematiker Cédric Villani 2010 die Fields-Medaille gewinnt, ist das der Höhepunkt seiner Karriere als mathematischer Forscher — doch sie markiert zugleich den Startpunkt einer neuen Karriere als wissenschaftlicher Kommunikator und Politiker. Den Disney-Kurzfilm „Donald in Mathmagic Land“ könnt ihr hier anschauen. Manon und Demian bei „Behind Science“ über die Geschichte der Zahl Null könnt ihr hier anhören. Demian bei „Behind Science“ über Mathe im Café findet ihr hier. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:02) Einleitung (00:03:34) Wozu Wissenschaftskommunikation? (00:06:08) Villani: Mathe-Liebe auf den ersten Blick (00:09:53) Eine steile Forschungskarriere (00:14:20) Die Folgen der Fields-Medaille (00:17:14) Villani zwischen Wissenschaft und Politik (00:20:45) Die Komplexität der Boltzmann-Gleichung (00:24:56) Physikalische Systeme und ihre Zeitrichtung (00:30:36) Die zunehmende Komplexität der Welt (00:37:46) Manon und Demian über Forschung & Wissenschaftskommunikation (00:40:20) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-cedric-villani

Im Café statt im Hörsaal – so hat Demian Nahuel Goos am liebsten Mathe gelernt. Mit seinem besten Freund hat er bei Cappuccino und argentinischen Croissants stundenlang über Mathe gequatscht, während eigentlich Vorlesung war. Und genau das machen wir in dieser Folge auch. Mehr Geschichten aus der Mathematik hört ihr in Demians Podcast und in unserer gemeinsamen Folge über die Reise der Zahl Null.Willkommen beim einzig wahren True Science-Podcast! Hier geht's um die Lebensgeschichten von Menschen, die mit Wissenschaft unsere Welt verändert haben. Dabei ist eins sicher: In der Wissenschaft gibt's jede Menge Gossip und den hört ihr hier. “Behind Science” gibt's jeden Samstag – am Science-Samstag. Zwischendurch erreicht ihr uns per Mail und Instagram, und hier gibt's unsere Links, die gerade wichtig sind. Hosted on Acast. See acast.com/privacy for more information.

In this episode Gudrun speaks with Nadja Klein and Moussa Kassem Sbeyti who work at the Scientific Computing Center (SCC) at KIT in Karlsruhe. Since August 2024, Nadja has been professor at KIT leading the research group Methods for Big Data (MBD) there. She is an Emmy Noether Research Group Leader, and a member of AcademiaNet, and Die Junge Akademie, among others. In 2025, Nadja was awarded the Committee of Presidents of Statistical Societies (COPSS) Emerging Leader Award (ELA). The COPSS ELA recognizes early career statistical scientists who show evidence of and potential for leadership and who will help shape and strengthen the field. She finished her doctoral studies in Mathematics at the Universität Göttingen before conducting a postdoc at the University of Melbourne as a Feodor-Lynen fellow by the Alexander von Humboldt Foundation. Afterwards she was a Professor for Statistics and Data Science at the Humboldt-Universität zu Berlin before joining KIT. Moussa joined Nadja's lab as an associated member in 2023 and later as a postdoctoral researcher in 2024. He pursued a PhD at the TU Berlin while working as an AI Research Scientist at the Continental AI Lab in Berlin. His research primarily focuses on deep learning, developing uncertainty-based automated labeling methods for 2D object detection in autonomous driving. Prior to this, Moussa earned his M.Sc. in Mechatronics Engineering from the TU Darmstadt in 2021. The research of Nadja and Moussa is at the intersection of statistics and machine learning. In Nadja's MBD Lab the research spans theoretical analysis, method development and real-world applications. One of their key focuses is Bayesian methods, which allow to incorporate prior knowledge, quantify uncertainties, and bring insights to the “black boxes” of machine learning. By fusing the precision and reliability of Bayesian statistics with the adaptability of machine and deep learning, these methods aim to leverage the best of both worlds. The KIT offers a strong research environment, making it an ideal place to continue their work. They bring new expertise that can be leveraged in various applications and on the other hand Helmholtz offers a great platform in that respect to explore new application areas. For example Moussa decided to join the group at KIT as part of the Helmholtz Pilot Program Core-Informatics at KIT (KiKIT), which is an initiative focused on advancing fundamental research in informatics within the Helmholtz Association. Vision models typically depend on large volumes of labeled data, but collecting and labeling this data is both expensive and prone to errors. During his PhD, his research centered on data-efficient learning using uncertainty-based automated labeling techniques. That means estimating and using the uncertainty of models to select the helpful data samples to train the models to label the rest themselves. Now, within KiKIT, his work has evolved to include knowledge-based approaches in multi-task models, eg. detection and depth estimation — with the broader goal of enabling the development and deployment of reliable, accurate vision systems in real-world applications. Statistics and data science are fascinating fields, offering a wide variety of methods and applications that constantly lead to new insights. Within this domain, Bayesian methods are especially compelling, as they enable the quantification of uncertainty and the incorporation of prior knowledge. These capabilities contribute to making machine learning models more data-efficient, interpretable, and robust, which are essential qualities in safety-critical domains such as autonomous driving and personalized medicine. Nadja is also enthusiastic about the interdisciplinarity of the subject — repeatedly changing the focus from mathematics to economics to statistics to computer science. The combination of theoretical fundamentals and practical applications makes statistics an agile and important field of research in data science. From a deep learning perspective, the focus is on making models both more efficient and more reliable when dealing with large-scale data and complex dependencies. One way to do this is by reducing the need for extensive labeled data. They also work on developing self-aware models that can recognize when they're unsure and even reject their own predictions when necessary. Additionally, they explore model pruning techniques to improve computational efficiency, and specialize in Bayesian deep learning, allowing machine learning models to better handle uncertainty and complex dependencies. Beyond the methods themselves, they also contribute by publishing datasets that help push the development of next-generation, state-of-the-art models. The learning methods are applied across different domains such as object detection, depth estimation, semantic segmentation, and trajectory prediction — especially in the context of autonomous driving and agricultural applications. As deep learning technologies continue to evolve, they're also expanding into new application areas such as medical imaging. Unlike traditional deep learning, Bayesian deep learning provides uncertainty estimates alongside predictions, allowing for more principled decision-making and reducing catastrophic failures in safety-critical application. It has had a growing impact in several real-world domains where uncertainty really matters. Bayesian learning incorporates prior knowledge and updates beliefs as new data comes in, rather than relying purely on data-driven optimization. In healthcare, for example, Bayesian models help quantify uncertainty in medical diagnoses, which supports more risk-aware treatment decisions and can ultimately lead to better patient outcomes. In autonomous vehicles, Bayesian models play a key role in improving safety. By recognizing when the system is uncertain, they help capture edge cases more effectively, reduce false positives and negatives in object detection, and navigate complex, dynamic environments — like bad weather or unexpected road conditions — more reliably. In finance, Bayesian deep learning enhances both risk assessment and fraud detection by allowing the system to assess how confident it is in its predictions. That added layer of information supports more informed decision-making and helps reduce costly errors. Across all these areas, the key advantage is the ability to move beyond just accuracy and incorporate trust and reliability into AI systems. Bayesian methods are traditionally more expensive, but modern approximations (e.g., variational inference or last layer inference) make them feasible. Computational costs depend on the problem — sometimes Bayesian models require fewer data points to achieve better performance. The trade-off is between interpretability and computational efficiency, but hardware improvements are helping bridge this gap. Their research on uncertainty-based automated labeling is designed to make models not just safer and more reliable, but also more efficient. By reducing the need for extensive manual labeling, one improves the overall quality of the dataset while cutting down on human effort and potential labeling errors. Importantly, by selecting informative samples, the model learns from better data — which means it can reach higher performance with fewer training examples. This leads to faster training and better generalization without sacrificing accuracy. They also focus on developing lightweight uncertainty estimation techniques that are computationally efficient, so these benefits don't come with heavy resource demands. In short, this approach helps build models that are more robust, more adaptive to new data, and significantly more efficient to train and deploy — which is critical for real-world systems where both accuracy and speed matter. Statisticians and deep learning researchers often use distinct methodologies, vocabulary and frameworks, making communication and collaboration challenging. Unfortunately, there is a lack of Interdisciplinary education: Traditional academic programs rarely integrate both fields. It is necessary to foster joint programs, workshops, and cross-disciplinary training can help bridge this gap. From Moussa's experience coming through an industrial PhD, he has seen how many industry settings tend to prioritize short-term gains — favoring quick wins in deep learning over deeper, more fundamental improvements. To overcome this, we need to build long-term research partnerships between academia and industry — ones that allow for foundational work to evolve alongside practical applications. That kind of collaboration can drive more sustainable, impactful innovation in the long run, something we do at methods for big data. Looking ahead, one of the major directions for deep learning in the next five to ten years is the shift toward trustworthy AI. We're already seeing growing attention on making models more explainable, fair, and robust — especially as AI systems are being deployed in critical areas like healthcare, mobility, and finance. The group also expect to see more hybrid models — combining deep learning with Bayesian methods, physics-based models, or symbolic reasoning. These approaches can help bridge the gap between raw performance and interpretability, and often lead to more data-efficient solutions. Another big trend is the rise of uncertainty-aware AI. As AI moves into more high-risk, real-world applications, it becomes essential that systems understand and communicate their own confidence. This is where uncertainty modeling will play a key role — helping to make AI not just more powerful, but also more safe and reliable. The lecture "Advanced Bayesian Data Analysis" covers fundamental concepts in Bayesian statistics, including parametric and non-parametric regression, computational techniques such as MCMC and variational inference, and Bayesian priors for handling high-dimensional data. Additionally, the lecturers offer a Research Seminar on Selected Topics in Statistical Learning and Data Science. The workgroup offers a variety of Master's thesis topics at the intersection of statistics and deep learning, focusing on Bayesian modeling, uncertainty quantification, and high-dimensional methods. Current topics include predictive information criteria for Bayesian models and uncertainty quantification in deep learning. Topics span theoretical, methodological, computational and applied projects. Students interested in rigorous theoretical and applied research are encouraged to explore our available projects and contact us for further details. The general advice of Nadja and Moussa for everybody interested to enter the field is: "Develop a strong foundation in statistical and mathematical principles, rather than focusing solely on the latest trends. Gain expertise in both theory and practical applications, as real-world impact requires a balance of both. Be open to interdisciplinary collaboration. Some of the most exciting and meaningful innovations happen at the intersection of fields — whether that's statistics and deep learning, or AI and domain-specific areas like medicine or mobility. So don't be afraid to step outside your comfort zone, ask questions across disciplines, and look for ways to connect different perspectives. That's often where real breakthroughs happen. With every new challenge comes an opportunity to innovate, and that's what keeps this work exciting. We're always pushing for more robust, efficient, and trustworthy AI. And we're also growing — so if you're a motivated researcher interested in this space, we'd love to hear from you." Literature and further information Webpage of the group G. Nuti, Lluis A.J. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arxiv Jan 2019 Wikipedia: Expected value of sample information C. Howson & P. Urbach: Scientific Reasoning: The Bayesian Approach (3rd ed.). Open Court Publishing Company. ISBN 978-0-8126-9578-6, 2005. A.Gelman e.a.: Bayesian Data Analysis Third Edition. Chapman and Hall/CRC. ISBN 978-1-4398-4095-5, 2013. Yu, Angela: Introduction to Bayesian Decision Theory cogsci.ucsd.edu, 2013. Devin Soni: Introduction to Bayesian Networks, 2015. G. Nuti, L. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arXiv:1901.03214 stat.ML, 2019. M. Carlan, T. Kneib and N. Klein: Bayesian conditional transformation models, Journal of the American Statistical Association, 119(546):1360-1373, 2024. N. Klein: Distributional regression for data analysis , Annual Review of Statistics and Its Application, 11:321-346, 2024 C.Hoffmann and N.Klein: Marginally calibrated response distributions for end-to-end learning in autonomous driving, Annals of Applied Statistics, 17(2):1740-1763, 2023 Kassem Sbeyti, M., Karg, M., Wirth, C., Klein, N., & Albayrak, S. (2024, September). Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection. In Uncertainty in Artificial Intelligence (pp. 1890-1900). PMLR. M. K. Sbeyti, N. Klein, A. Nowzad, F. Sivrikaya and S. Albayrak: Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection pdf. To appear in Transactions on Machine Learning Research, 2025 Podcasts Learning, Teaching, and Building in the Age of AI Ep 42 of Vanishing Gradient, Jan 2025. O. Beige, G. Thäter: Risikoentscheidungsprozesse, Gespräch im Modellansatz Podcast, Folge 193, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.

In this episode Gudrun speaks with Nadja Klein and Moussa Kassem Sbeyti who work at the Scientific Computing Center (SCC) at KIT in Karlsruhe. Since August 2024, Nadja has been professor at KIT leading the research group Methods for Big Data (MBD) there. She is an Emmy Noether Research Group Leader, and a member of AcademiaNet, and Die Junge Akademie, among others. In 2025, Nadja was awarded the Committee of Presidents of Statistical Societies (COPSS) Emerging Leader Award (ELA). The COPSS ELA recognizes early career statistical scientists who show evidence of and potential for leadership and who will help shape and strengthen the field. She finished her doctoral studies in Mathematics at the Universität Göttingen before conducting a postdoc at the University of Melbourne as a Feodor-Lynen fellow by the Alexander von Humboldt Foundation. Afterwards she was a Professor for Statistics and Data Science at the Humboldt-Universität zu Berlin before joining KIT. Moussa joined Nadja's lab as an associated member in 2023 and later as a postdoctoral researcher in 2024. He pursued a PhD at the TU Berlin while working as an AI Research Scientist at the Continental AI Lab in Berlin. His research primarily focuses on deep learning, developing uncertainty-based automated labeling methods for 2D object detection in autonomous driving. Prior to this, Moussa earned his M.Sc. in Mechatronics Engineering from the TU Darmstadt in 2021. The research of Nadja and Moussa is at the intersection of statistics and machine learning. In Nadja's MBD Lab the research spans theoretical analysis, method development and real-world applications. One of their key focuses is Bayesian methods, which allow to incorporate prior knowledge, quantify uncertainties, and bring insights to the “black boxes” of machine learning. By fusing the precision and reliability of Bayesian statistics with the adaptability of machine and deep learning, these methods aim to leverage the best of both worlds. The KIT offers a strong research environment, making it an ideal place to continue their work. They bring new expertise that can be leveraged in various applications and on the other hand Helmholtz offers a great platform in that respect to explore new application areas. For example Moussa decided to join the group at KIT as part of the Helmholtz Pilot Program Core-Informatics at KIT (KiKIT), which is an initiative focused on advancing fundamental research in informatics within the Helmholtz Association. Vision models typically depend on large volumes of labeled data, but collecting and labeling this data is both expensive and prone to errors. During his PhD, his research centered on data-efficient learning using uncertainty-based automated labeling techniques. That means estimating and using the uncertainty of models to select the helpful data samples to train the models to label the rest themselves. Now, within KiKIT, his work has evolved to include knowledge-based approaches in multi-task models, eg. detection and depth estimation — with the broader goal of enabling the development and deployment of reliable, accurate vision systems in real-world applications. Statistics and data science are fascinating fields, offering a wide variety of methods and applications that constantly lead to new insights. Within this domain, Bayesian methods are especially compelling, as they enable the quantification of uncertainty and the incorporation of prior knowledge. These capabilities contribute to making machine learning models more data-efficient, interpretable, and robust, which are essential qualities in safety-critical domains such as autonomous driving and personalized medicine. Nadja is also enthusiastic about the interdisciplinarity of the subject — repeatedly changing the focus from mathematics to economics to statistics to computer science. The combination of theoretical fundamentals and practical applications makes statistics an agile and important field of research in data science. From a deep learning perspective, the focus is on making models both more efficient and more reliable when dealing with large-scale data and complex dependencies. One way to do this is by reducing the need for extensive labeled data. They also work on developing self-aware models that can recognize when they're unsure and even reject their own predictions when necessary. Additionally, they explore model pruning techniques to improve computational efficiency, and specialize in Bayesian deep learning, allowing machine learning models to better handle uncertainty and complex dependencies. Beyond the methods themselves, they also contribute by publishing datasets that help push the development of next-generation, state-of-the-art models. The learning methods are applied across different domains such as object detection, depth estimation, semantic segmentation, and trajectory prediction — especially in the context of autonomous driving and agricultural applications. As deep learning technologies continue to evolve, they're also expanding into new application areas such as medical imaging. Unlike traditional deep learning, Bayesian deep learning provides uncertainty estimates alongside predictions, allowing for more principled decision-making and reducing catastrophic failures in safety-critical application. It has had a growing impact in several real-world domains where uncertainty really matters. Bayesian learning incorporates prior knowledge and updates beliefs as new data comes in, rather than relying purely on data-driven optimization. In healthcare, for example, Bayesian models help quantify uncertainty in medical diagnoses, which supports more risk-aware treatment decisions and can ultimately lead to better patient outcomes. In autonomous vehicles, Bayesian models play a key role in improving safety. By recognizing when the system is uncertain, they help capture edge cases more effectively, reduce false positives and negatives in object detection, and navigate complex, dynamic environments — like bad weather or unexpected road conditions — more reliably. In finance, Bayesian deep learning enhances both risk assessment and fraud detection by allowing the system to assess how confident it is in its predictions. That added layer of information supports more informed decision-making and helps reduce costly errors. Across all these areas, the key advantage is the ability to move beyond just accuracy and incorporate trust and reliability into AI systems. Bayesian methods are traditionally more expensive, but modern approximations (e.g., variational inference or last layer inference) make them feasible. Computational costs depend on the problem — sometimes Bayesian models require fewer data points to achieve better performance. The trade-off is between interpretability and computational efficiency, but hardware improvements are helping bridge this gap. Their research on uncertainty-based automated labeling is designed to make models not just safer and more reliable, but also more efficient. By reducing the need for extensive manual labeling, one improves the overall quality of the dataset while cutting down on human effort and potential labeling errors. Importantly, by selecting informative samples, the model learns from better data — which means it can reach higher performance with fewer training examples. This leads to faster training and better generalization without sacrificing accuracy. They also focus on developing lightweight uncertainty estimation techniques that are computationally efficient, so these benefits don't come with heavy resource demands. In short, this approach helps build models that are more robust, more adaptive to new data, and significantly more efficient to train and deploy — which is critical for real-world systems where both accuracy and speed matter. Statisticians and deep learning researchers often use distinct methodologies, vocabulary and frameworks, making communication and collaboration challenging. Unfortunately, there is a lack of Interdisciplinary education: Traditional academic programs rarely integrate both fields. It is necessary to foster joint programs, workshops, and cross-disciplinary training can help bridge this gap. From Moussa's experience coming through an industrial PhD, he has seen how many industry settings tend to prioritize short-term gains — favoring quick wins in deep learning over deeper, more fundamental improvements. To overcome this, we need to build long-term research partnerships between academia and industry — ones that allow for foundational work to evolve alongside practical applications. That kind of collaboration can drive more sustainable, impactful innovation in the long run, something we do at methods for big data. Looking ahead, one of the major directions for deep learning in the next five to ten years is the shift toward trustworthy AI. We're already seeing growing attention on making models more explainable, fair, and robust — especially as AI systems are being deployed in critical areas like healthcare, mobility, and finance. The group also expect to see more hybrid models — combining deep learning with Bayesian methods, physics-based models, or symbolic reasoning. These approaches can help bridge the gap between raw performance and interpretability, and often lead to more data-efficient solutions. Another big trend is the rise of uncertainty-aware AI. As AI moves into more high-risk, real-world applications, it becomes essential that systems understand and communicate their own confidence. This is where uncertainty modeling will play a key role — helping to make AI not just more powerful, but also more safe and reliable. The lecture "Advanced Bayesian Data Analysis" covers fundamental concepts in Bayesian statistics, including parametric and non-parametric regression, computational techniques such as MCMC and variational inference, and Bayesian priors for handling high-dimensional data. Additionally, the lecturers offer a Research Seminar on Selected Topics in Statistical Learning and Data Science. The workgroup offers a variety of Master's thesis topics at the intersection of statistics and deep learning, focusing on Bayesian modeling, uncertainty quantification, and high-dimensional methods. Current topics include predictive information criteria for Bayesian models and uncertainty quantification in deep learning. Topics span theoretical, methodological, computational and applied projects. Students interested in rigorous theoretical and applied research are encouraged to explore our available projects and contact us for further details. The general advice of Nadja and Moussa for everybody interested to enter the field is: "Develop a strong foundation in statistical and mathematical principles, rather than focusing solely on the latest trends. Gain expertise in both theory and practical applications, as real-world impact requires a balance of both. Be open to interdisciplinary collaboration. Some of the most exciting and meaningful innovations happen at the intersection of fields — whether that's statistics and deep learning, or AI and domain-specific areas like medicine or mobility. So don't be afraid to step outside your comfort zone, ask questions across disciplines, and look for ways to connect different perspectives. That's often where real breakthroughs happen. With every new challenge comes an opportunity to innovate, and that's what keeps this work exciting. We're always pushing for more robust, efficient, and trustworthy AI. And we're also growing — so if you're a motivated researcher interested in this space, we'd love to hear from you." Literature and further information Webpage of the group G. Nuti, Lluis A.J. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arxiv Jan 2019 Wikipedia: Expected value of sample information C. Howson & P. Urbach: Scientific Reasoning: The Bayesian Approach (3rd ed.). Open Court Publishing Company. ISBN 978-0-8126-9578-6, 2005. A.Gelman e.a.: Bayesian Data Analysis Third Edition. Chapman and Hall/CRC. ISBN 978-1-4398-4095-5, 2013. Yu, Angela: Introduction to Bayesian Decision Theory cogsci.ucsd.edu, 2013. Devin Soni: Introduction to Bayesian Networks, 2015. G. Nuti, L. Rugama, A.-I. Cross: Efficient Bayesian Decision Tree Algorithm, arXiv:1901.03214 stat.ML, 2019. M. Carlan, T. Kneib and N. Klein: Bayesian conditional transformation models, Journal of the American Statistical Association, 119(546):1360-1373, 2024. N. Klein: Distributional regression for data analysis , Annual Review of Statistics and Its Application, 11:321-346, 2024 C.Hoffmann and N.Klein: Marginally calibrated response distributions for end-to-end learning in autonomous driving, Annals of Applied Statistics, 17(2):1740-1763, 2023 Kassem Sbeyti, M., Karg, M., Wirth, C., Klein, N., & Albayrak, S. (2024, September). Cost-Sensitive Uncertainty-Based Failure Recognition for Object Detection. In Uncertainty in Artificial Intelligence (pp. 1890-1900). PMLR. M. K. Sbeyti, N. Klein, A. Nowzad, F. Sivrikaya and S. Albayrak: Building Blocks for Robust and Effective Semi-Supervised Real-World Object Detection pdf. To appear in Transactions on Machine Learning Research, 2025 Podcasts Learning, Teaching, and Building in the Age of AI Ep 42 of Vanishing Gradient, Jan 2025. O. Beige, G. Thäter: Risikoentscheidungsprozesse, Gespräch im Modellansatz Podcast, Folge 193, Fakultät für Mathematik, Karlsruher Institut für Technologie (KIT), 2019.

❤️ Das Hallo 1. Klasse Schnellstarterprogramm:

Sind Personenkulte gut oder schlecht? Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Lange gab es keine Null. Also die Zahl, gab es einfach nicht! Wie sie schließlich von Indien nach Europa gekommen ist und was ein Barber damit zu tun hat, erfahrt ihr in dieser Folge. Mehr Geschichten aus der Mathematik hört ihr im Podcast von Manon Bischoff und Demian Nahuel Goos. Hosted on Acast. See acast.com/privacy for more information.

Natürlich beschäftigt sich Matussek, der Katholik, mit dem Tod von Papst Franziskus, dem, wie „Die Zeit“ titelt, „letzten Linken“. Bilanz einer Amtszeit, in der heftig und durchaus barsch am Gebälk der Kirche gerüttelt wurde. Sind alle Religionen gleich? Hoffnung auf einen konservativen Nachfolger, der entschlossen gegen Wokeismus, Genderei und den wachsenden islamischen Eroberungszug in Europa Stellung bezieht. Mögliche Kandidaten. Daneben: Trumps Feldzug gegen Harvard. Das Elend der linken Lehre bei uns seit den 70er-Jahren. Professur für eine gendergerechte Mathematik. Schließlich: Die Soap-Opera der Wulffs. Dazu Al Stewart, Mozart, Arthur Brown. Briefe zu Rainer Langhans und der Frage des Glaubens.

Die Bruno-Weber-Stiftung ist nach fünf Jahren Konkursverfahren nun konkurs. So steht es im Aargauer Amtsblatt. Der Skulpturenpark in Spreitenbach AG bleibt weiterhin offen. Die Zukunft des ganzen Parks ist aber ungewiss. Weitere Themen in der Sendung: · Abstimmung kantonale Hundesteuer im Kanton Solothurn: Jungfreisinnige reichen Beschwerde gegen die Informationen im Abstimmungsbüchlein ein. · Abstimmung Steuergesetz Aargau: Kanton Aargau reagiert auf die geplante Beschwerde zur Darstellung im Abstimmungsbüchlein. · Projekt an Oltner Primarschule: «Alice im Mathe-Wunderland» ist ein Escape-Room für Primarschülerinnen und -schüler. Er soll ihnen helfen, Mathematik spielerisch zu erleben.

❤️ NEUerscheinung vom Hallo Lernen Buch am 10. Juli 2025!

Srinivasa Ramanujan hat einen eigenen Zugang zur Mathematik. Weil er Autodidakt ist und die konventionellen Regeln des Fachs nicht kennt, folgt er seiner Intuition — und schreibt damit Geschichte. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:06) Einleitung (00:02:59) Indiens Mathematik-Tradition (00:04:46) Ramanujans Jugend und mathematische Prägung (00:09:59) Ramanujans Karriere: Intuition statt Konvention (00:16:38) Einmal England und zurück (00:19:20) Die „Taxicab-Number“: 1729 (00:25:41) Die Formel und der Zufallsfund (00:29:38) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-srinivasa-ramanujan

Srinivasa Ramanujan hat einen eigenen Zugang zur Mathematik. Weil er Autodidakt ist und die konventionellen Regeln des Fachs nicht kennt, folgt er seiner Intuition — und schreibt damit Geschichte. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:06) Einleitung (00:02:59) Indiens Mathematik-Tradition (00:04:46) Ramanujans Jugend und mathematische Prägung (00:09:59) Ramanujans Karriere: Intuition statt Konvention (00:16:38) Einmal England und zurück (00:19:20) Die „Taxicab-Number“: 1729 (00:25:41) Die Formel und der Zufallsfund (00:29:38) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-srinivasa-ramanujan

Srinivasa Ramanujan hat einen eigenen Zugang zur Mathematik. Weil er Autodidakt ist und die konventionellen Regeln des Fachs nicht kennt, folgt er seiner Intuition — und schreibt damit Geschichte. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:06) Einleitung (00:02:59) Indiens Mathematik-Tradition (00:04:46) Ramanujans Jugend und mathematische Prägung (00:09:59) Ramanujans Karriere: Intuition statt Konvention (00:16:38) Einmal England und zurück (00:19:20) Die „Taxicab-Number“: 1729 (00:25:41) Die Formel und der Zufallsfund (00:29:38) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-srinivasa-ramanujan

Was wäre, wenn morgen Social-Media weg wäre? Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Heute geht es um Zeitreise und wir erklären euch ziemlich gegen Ende wie ein Zippo die gesamte Menschheit vernichten könnte ... Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Pierre de Fermat ist vor allem berühmt für das Mathe-Rätsel, das er der Welt 1641 in einer Randnotiz aufgibt. Daneben gerät der gelernte Jurist in Konfikt mit dem namhaften Philosophen René Descartes — der Mathematik zuliebe. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:00) Einleitung (00:04:48) Das Jahrhundert der Mathematik (00:05:45) Fermat zwischen Jura und Mathematik (00:08:36) Wie Descartes die Wissenschaft prägt (00:10:37) Der Konflikt mit Descartes (00:17:57) Der Satz von Fermat (und Pythagoras) (00:22:53) Fermats berühmte Randnotiz (00:24:36) Der Widerspruchsbeweis (00:26:39) Wiles‘ Beweis & der Simpsons-Gag (00:30:46) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-pierre-de-fermat

Pierre de Fermat ist vor allem berühmt für das Mathe-Rätsel, das er der Welt 1641 in einer Randnotiz aufgibt. Daneben gerät der gelernte Jurist in Konfikt mit dem namhaften Philosophen René Descartes — der Mathematik zuliebe. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:00) Einleitung (00:04:48) Das Jahrhundert der Mathematik (00:05:45) Fermat zwischen Jura und Mathematik (00:08:36) Wie Descartes die Wissenschaft prägt (00:10:37) Der Konflikt mit Descartes (00:17:57) Der Satz von Fermat (und Pythagoras) (00:22:53) Fermats berühmte Randnotiz (00:24:36) Der Widerspruchsbeweis (00:26:39) Wiles‘ Beweis & der Simpsons-Gag (00:30:46) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-pierre-de-fermat

Hui sind wir heute wieder auf Abwegen unterwegs. Aber das Thema, zu dem wir auch immer wieder zurück kommen lautet: Was würdest du deinem Früheren ICH sagen wenn du könntest. Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Der persische Gelehrte Al-Khwarizmi wirkte im frühen 9. Jahrhundert im Haus der Weisheit in Bagdad. Es war eines der kulturellen Zentren der Welt. Dort begründete er die moderne Mathematik und berechnete die Bewegung von Sonne, Mond und Planeten. Lorenzen, Dirk www.deutschlandfunk.de, Sternzeit

Heute starten wir, nach einem kurzen König der Löwen Intro, mit der Frage: Ist Minecraft Tod. Eine Frage die für uns und unsere YouTube Kanäle nicht ganz unbedeutend ist. Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Der blinde Franzose Braille war 16 Jahre alt, als er die Punktschrift erstmals vorstellte. Die streng logisch aufgebaute Schrift aus sechs Punkten fusst auf der Idee eines Offiziers, der fürs Militär eine Geheimschrift entwickeln wollte, mit der Soldaten im Dunkeln Botschaften übermitteln können. · Wie der blinde Junge Louis Braille die Punktschrift erfand · Aufbau der Punktschrift und verschiedene Systeme: Musiknoten, Mathematik andere Sprachen · Geschichte der Verbreitung der Punktschrift · Welche Dokumente sind in Braille vorhanden? Welche Beschriftungen im öffentlichen Raum gibt es? · Wie schwer oder leicht lässt sich Braille mit den Händen lesen? · Wie wird Braille heute genutzt? Welchen Einfluss haben Computer auf die Brailleschrift? Wie ist es um die Zukunft der Brailleschrift bestellt? Im Podcast zu hören sind: · Pietro Londino: blinder Brailleleser, Braillelehrer, Blindentechnikexperte, heute Bereichsleiter psychosoziale Arbeit bei der Stiftung David Dienst Schweiz · Yvonn Scherrer: Blinde Radiojournalistin, Brailleleserin, Braillelehrerin Bei Fragen, Anregungen oder Themenvorschlägen schreibt uns: kontext@srf.ch Autorin: Yvonn Scherrer Host: Bernard Senn Produktion: Raphael Zehnder Technik: Serge Krebs

Am 11. November 2013 postet eine Userin in einem Mathe-Forum ein Integral. Es scheint unlösbar. Doch dann kommt Cleo. Cleo hat die Lösung sofort parat — aber macht ein Geheimnis aus dem Lösungsweg und aus der eigenen Identität. Ein Katz-und-Maus-Spiel beginnt, das bis 2025 andauern wird … Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:00) Einleitung (00:02:14) Mathe-Foren und ihre Regeln (00:05:56) Cleo und das anstößige Integral (00:11:49) Der integrale Ragebait (00:17:36) Showdown: Wer ist Cleo? (00:20:30) How to Integralrechnung? (00:28:50) Verdachtsfall „Cleo“ (00:32:14) Der Professor und sein Alter Ego (00:35:14) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-cleo

Am 11. November 2013 postet eine Userin in einem Mathe-Forum ein Integral. Es scheint unlösbar. Doch dann kommt Cleo. Cleo hat die Lösung sofort parat — aber macht ein Geheimnis aus dem Lösungsweg und aus der eigenen Identität. Ein Katz-und-Maus-Spiel beginnt, das bis 2025 andauern wird … Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:00) Einleitung (00:02:14) Mathe-Foren und ihre Regeln (00:05:56) Cleo und das anstößige Integral (00:11:49) Der integrale Ragebait (00:17:36) Showdown: Wer ist Cleo? (00:20:30) How to Integralrechnung? (00:28:50) Verdachtsfall „Cleo“ (00:32:12) Der Professor und sein Alter Ego (00:35:11) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-cleo

Schaffen wir es diesmal den ganzen Podcast über positiv zu bleiben? Finde es heraus und höre unsere heutige Feelgood Podcast Folge! Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Das sollte heute eigentlich ein positiver Blick in die Zukunft werden, aber wir haben mal wieder eine kleine Abzweigung genommen und vielleicht am Thema vorbei diskutiert. Auf alle Fälle viel Spaß damit! Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Dem britischen Mathematiker Alan Turing gelingt 1940 ein großer Coup: Endlich funktioniert die von ihm konzipierte „Bombe“, die den Nazis das Handwerk legen soll — und wird. Allerdings nicht durch ihre Sprengkraft im wörtlichen Sinne. (00:03:02) Kryptografie im Zweiten Weltkrieg (00:09:08) Alan Turings Schulzeit (00:13:46) Turings erste Durchbrüche (00:15:22) Der Ruf nach Bletchley Park (00:18:07) Die Besonderheiten der Enigma (00:21:36) Die Turing-Bombe (00:25:38) Die Suche nach mathematischen Mustern (00:29:38) Die Macht der Morphogene (00:36:22) Verfolgter Kriegsheld (00:41:37) Fazit & Verabschiedung Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. 00:00:00.000 Einleitung 00:03:02.521 Kryptografie im Zweiten Weltkrieg 00:09:08.066 Alan Turings Schulzeit 00:13:46.190 Turings erste Durchbrüche 00:15:22.258 Der Ruf nach Bletchley Park 00:18:07.676 Die Besonderheiten der Enigma 00:21:36.739 Die Turing-Bombe 00:25:38.105 Die Suche nach mathematischen Mustern 00:29:38.467 Die Macht der Morphogene 00:36:22.671 Verfolgter Kriegsheld 00:41:37.287 Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/wissen/geschichten-aus-der-mathematik-alan-turing

Heute reden wir darüber wie wir mit einem Lottogewinn umgehen würden. Dabei setzen wir verschieden Hohe Gewinne an. Am Ende wird es natürlich absurd! Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Vor 1.000 Jahren soll in Spanien die arabische Gelehrte Fatima von Madrid gelebt haben. Sie beschäftigte sich mit Astronomie und Mathematik und berechnete die Positionen von Sonne, Mond und Planeten sowie den Verlauf von Finsternissen. Lorenzen, Dirk www.deutschlandfunk.de, Sternzeit

Besteht das Universum aus Mathematik? Sind wir selbst nur Mathematik? Und was soll das überhaupt heißen? Mehr zur Theorie des mathematischen Universums erfahrt ihr in der neuen Folge der Sternengeschichten. STERNENGESCHICHTEN LIVE TOUR 2025! Tickets unter https://sternengeschichten.live Wer den Podcast finanziell unterstützen möchte, kann das hier tun: Mit PayPal (https://www.paypal.me/florianfreistetter), Patreon (https://www.patreon.com/sternengeschichten) oder Steady (https://steadyhq.com/sternengeschichten)

Mit verschlüsselten Daten zu arbeiten, ohne sie entschlüsseln zu müssen, klingt unmöglich. Und doch bietet die homomorphe Verschlüsselung genau diese Möglichkeit. Dafür ist jedoch viel Mathematik vonnöten und die lässt sich Christopher in der 26. Folge des "Passwort"-Podcasts von einem Gast mit ausgewiesener Expertise erklären. Nicht nur graue Theorie, auch apfelbunte Praxis kommt nicht zu kurz: Eine Anwendung in Apples Cloud zeigt, wie nützlich homomorphe Verschlüsselung ist. - Craig Gentry's Paper zu FHE mit ideal lattices: https://www.cs.cmu.edu/~odonnell/hits09/gentry-homomorphic-encryption.pdf - Craig Gentry's Dissertation zu FHE: https://crypto.stanford.edu/craig/craig-thesis.pdf - MS "Kryptonets" Paper von 2016: https://www.microsoft.com/en-us/research/wp-content/uploads/2016/04/CryptonetsTechReport.pdf - https://fhe.org/resources/ - https://homomorphicencryption.org - Michaels Artikel über die Apple-Usecases: https://www.heise.de/hintergrund/Wie-Apple-mit-homomorpher-Verschluesselung-Daten-schuetzen-will-10193623.html (+) Mitglieder unserer Security Community auf heise security PRO hören alle Folgen bereits zwei Tage früher. Mehr Infos: https://pro.heise.de/passwort

Im 15. Jahrhundert ist Maria Stuart Königin von Schottland — aber sie will mehr. Sie ist auf den englischen Thron aus, legt sich mit der Königin Elisabeth I. an, spinnt Intrigen. Schließlich wird sie zum Opfer ihrer eigenen Verschwörungen: Menschliche und kryptografische Fehler kosten sie das Leben. Die Idee für diesen Podcast hat Demian Nahuel Goos am MIP.labor entwickelt, der Ideenwerkstatt für Wissenschaftsjournalismus zu Mathematik, Informatik und Physik an der Freien Universität Berlin, ermöglicht durch die Klaus Tschira Stiftung. (00:00:02) Einleitung (00:02:34) Drei Königreiche für ein Drama (00:05:46) Die junge Königin von Schottland und Frankreich (00:10:31) Katholizismus vs. Protestantismus (00:13:10) Das Schicksal von Elisabeth I. (00:16:28) Kabale und Liebe (00:19:42) Maria Stuart in englischer Gefangenschaft (00:23:10) Eine kurze Geschichte der Kryptografie (00:30:01) Verschlüsselte Verschwörung (00:32:11) Fazit & Verabschiedung >> Artikel zum Nachlesen: https://detektor.fm/politik/geschichten-aus-der-mathematik-maria-stuart

Die Wirtschaftsflaute, die Migration, die globale Sicherheitspolitik und der Ukrainekrieg: Diesen Herausforderungen wird sich nun eine neue Regierung in Deutschland annehmen müssen. Und weil Deutschland die grösste Volkswirtschaft der EU ist, blickt man auch in Brüssel gespannt nach Berlin. Weitere Themen: Vor genau drei Jahren sind die ersten russischen Panzer über die Grenzen in die Ukraine gerollt. Es war der Beginn eines Vernichtungskrieges, der auch die Schwächsten nicht verschont. Das zeigt zum Beispiel der Angriff auf ein Kinderkrankenhaus in Kiew im vergangenen Sommer. Derzeit gibt es in vielen Deutschschweizer Kantonen Vorstösse, den Französischunterricht aus der Primarschule zu verbannen. Ganz anders geht der Kanton Neuenburg den Unterricht in der zweiten Landessprache an: Knapp ein Fünftel der Primarschülerinnen und Primarschüler hat dort nicht nur Deutschunterricht, sondern zusätzlich Mathematik, Turnen oder Geschichte auf Deutsch.

Carl Friedrich Gauß zählt zu den herausragenden Forschern des 19. Jahrhunderts. Er bestimmt den Lauf des Mondes und der Planeten, erforscht den Magnetismus, prägt weite Bereiche der Mathematik und verbessert die Landvermessung. Lorenzen, Dirk www.deutschlandfunk.de, Sternzeit

STERNENGESCHICHTEN LIVE TOUR 2025! Tickets unter https://sternengeschichten.live Wie wahrscheinlich ist es, dass ein Asteroid mit der Erde kollidiert? Und warum können wir das nicht immer mit Sicherheit sagen? Mehr über die Mathematik der Kollisionen erfahrt ihr in der neuen Folge der Sternengeschichten. Wer den Podcast finanziell unterstützen möchte, kann das hier tun: Mit PayPal (https://www.paypal.me/florianfreistetter), Patreon (https://www.patreon.com/sternengeschichten) oder Steady (https://steadyhq.com/sternengeschichten)

Wusstet ihr, dass die Kommentare bei Spotify bescheiden sind und das liegt nicht an euch. Und außerdem ist es krass, das Elon OpenAI nicht kaufen kann ... ach und Lars verkauft sein Auto Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Heute haben wir ganz spontan einen wunderbaren Gast mit dabei. Wer den Podcast schon länger verfolgt wird ihn auch schon kennen! Die Väter Lars, ehemals angehender Gymnasiallehrer für Mathematik und Informatik und Andi aka Crocodileandy, gelernter Architekt, sind auf Umwegen zu Social Media Stars geworden. Mit Kreativität und dem Willen anderen etwas beizubringen haben sie mit Hilfe von Minecraft ihre Reichweite gewonnen. In dem Podcast "Besser als Nackt" dreht sich alles um die unverblümte Wahrheit des Lebens. Viel Spaß beim Anhören!

Wenn Martin Puchner an Künstliche Intelligenz (KI) denkt, katapultieren ihn seine Gedanken nicht in die Zukunft, sondern weit zurück in die Vergangenheit. Denn für den Literaturwissenschaftler bietet die Fähigkeiten von KI eine der besten Möglichkeiten, die Geschichte der Menschheit neu zu interpretieren. „KI ist kein Alien, das plötzlich auftaucht. Es ist einfach die neueste Version von Schrift, Mathematik und Symbolen, die wir seit Tausenden von Jahren nutzen“, erzählt er im DLD-Spezial von Wunderbar Together. Und, auch wenn es leicht sei, darauf hereinzufallen: „Man muss der Katastrophenerzählung widerstehen.“

Die Poincaré-Vermutung erfasst Geometrie höherer Dimensionen - und bringt uns damit nichts weniger als die Form des Universums näher. Über 100 Jahre blieb diese Vermutung eines der schwersten mathematischen Rätsel der Welt. Von Lavina Stauber