250039 VO Applied machine learning (2023W)
Labels
ON-SITE
Registration/Deregistration
Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).
Details
Language: German
Examination dates
Lecturers
Classes (iCal) - next class is marked with N
Vorbesprechung 2.10.2023 HS13 16:45 gemeinsam mit PS Angewandtes Maschinelles Lernen.
Melden Sie sich auch für die Übungen/PS (250044) an, damit Sie Zugriff zur gemeinsamen Moodle-Seite für VO+UE haben !
Monday
02.10.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
05.10.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
09.10.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
12.10.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
16.10.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
19.10.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
23.10.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
30.10.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
06.11.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
09.11.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
13.11.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
16.11.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
20.11.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
23.11.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
27.11.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
30.11.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
04.12.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
07.12.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
11.12.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
14.12.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
08.01.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
11.01.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
15.01.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
18.01.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
22.01.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Thursday
25.01.
13:15 - 14:45
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Monday
29.01.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Information
Aims, contents and method of the course
Assessment and permitted materials
Die Note ergibt sich aus der Ausarbeitung des Teamprojekts und kleinen Mitarbeitstests. Alternativ zu einem Projekt kann auch eine Vorlesungsprüfung über den gesamten Stoff absolviert werden.
Minimum requirements and assessment criteria
Die Lehrveranstaltung vermittelt grundlegende Kenntnisse über „Maschinelles Lernen“ mit praktischem Bezug anhand von Vorlesung, Übungsbeispielen und einem kleinen Teamprojekt.
Examination topics
Teamprojekt oder mündliche Prüfung.
Reading list
Vorlesungsskriptum.
Weitere Literatur:
Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition. O'Reilly Media, 2019.
Forsyth, David, Applied Machine Learning. Springer International Publishing, 2019.
Shalev-Shwartz, Shai, and Shai Ben-David, Understanding machine learning: From theory to algorithms. Cambridge university press, 2014.
Weitere Literatur:
Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition. O'Reilly Media, 2019.
Forsyth, David, Applied Machine Learning. Springer International Publishing, 2019.
Shalev-Shwartz, Shai, and Shai Ben-David, Understanding machine learning: From theory to algorithms. Cambridge university press, 2014.
Association in the course directory
ML
Last modified: We 27.03.2024 15:06
Die VO steckt sich das Ziel theoretische wie anwendungsrelevante Aspekte "unter einen Hut zu bringen". Neben den besonders praktisch relevanten Grundlagen wie Datenanalyse, Modellwahl, Validierung, Over- und Underfitting, "feature selection", werden "klassische Methoden", wie nichtlineare Modellreduktion (PCA, MDS, Kernelmethoden, etc.), Klassifizierung (Logistic Regression, Random Forests, SVMs, etc), Regression (kernel rigde regression, lasso, etc), Clustering, Ensemble Learning vorgestellt, sowie die Grundlagen der aktuellen Deep Neural Networks (DNN), insbesondere neue fortgeschrittene Methodologien wie Autoencoders/-decoders, Convolutional Neural Networks und "Physics-Informed Neural Networks (PINN)".
Anhand praktischer Übungsaufgaben wird der Umgang damit "hands-on" via Python, scikit-learn und keras/tensorflow vermittelt, wobei wir Kaggle als (nicht-lokale) Python-Umgebung verwenden mit freiem Zugang zu GPUs. Die VO wird auch aktuelle Forschungsthemen und Anwendungen in der Physik und Materialforschung behandeln, und Raum für Diskussionen und math. Bezugnahme über/zu wichtige gesellschaftsrelevante Themen wie "Trustworthy AI" und "AI Risk Assessment" bieten.Struktur:
Die VU "Angewandtes Machine Learning" vereint (i) einen "Theorieteil" wo mathematische und numerische Grundlagen des maschinellen Lernens vorgestellt werden (wird weitgehend im Oktober abgehalten), (ii) praktische Übungsaufgaben die den ersten Teil im Anschluss vertiefen und komplementieren (die Ausarbeitungen werden abgegeben und die Lösungen jeweils in einer zoom hands-on von uns besprochen) und (iii) eine "Gruppenarbeit" wo ein kleines Anwendungsproblem in Gruppen von 2-6 Personen für den Rest des Semesters ausgearbeitet und schriftlich abgegeben wird.!!! Es gibt begleitende Übungen dazu -> Anmeldung erforderlich: LV-Nr 250044.