Das Seminar Transformative Flows & Optimal Transport in Machine Learning vermittelt zentrale Grundlagen und moderne Anwendungen des Optimal Transport. Im Flipped-Classroom-Modus erarbeiten die Studierenden Inhalte zunächst selbstständig anhand wissenschaftlicher Literatur und vertiefen sie in Diskussionen sowie durch Präsentationen. Behandelt werden grundlegende mathematische und statistische Konzepte wie Optimal Transport, KL-Divergenz und moderne OT-Algorithmen sowie Anwendungen in Statistik, Computergraphik und Visualisierung – etwa Blue Noise Generation, Shape Morphing oder Kartogramme. Ergänzt wird dies durch aktuelle Themen wie Flow Matching und Continuous Normalizing Flows. Den Abschluss bildet eine gemeinsame Reflexion über die behandelten Inhalte.