Universität Wien
Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.

250009 VU Angewandtes Maschinelles Lernen (2022S)

7.00 ECTS (4.00 SWS), SPL 25 - Mathematik
Prüfungsimmanente Lehrveranstaltung
GEMISCHT
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 50 Teilnehmer*innen
Sprache: Deutsch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

Vorbesprechung am 2. März 16:00 (!) online per zoom.

Vorlesungen finden vorort im Hörsaal statt (gemäß Covid-Regeln, Stand Feb 2022). Die Vorlesungen werden als Tafelvortrag mit u:stream übertragen, aufgenommen und auf Moodle zugänglich gemacht. Damit verbunden wird die "Anwesenheitspflicht" bei Vorlesungen sinnvoll gelockert. Übungen und Präsentationen der Teamprojekte werden über Zoom stattfinden. Einteilung der Übungsgruppen und -termine zu Beginn des Semesters.

Im Rahmen der VU können Themen für Bachelorarbeiten gefunden werden (zB als Erweiterung des Team-projektes), wobei die Arbeit auch im Sommer bis 15 Sep geschrieben werden kann samt kurzer Präsentation der fertigen Arbeit. Die Lehrenden der VU betreuen auch jeweils eine Gruppe im Bachelorseminar, welches als formaler Rahmen einer mathematisch anspruchsvollen Bachelorarbeit dient (welche auch auf Englisch verfasst werden kann).

  • Mittwoch 02.03. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 07.03. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 09.03. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 14.03. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 16.03. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 21.03. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 23.03. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 28.03. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 30.03. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 04.04. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 06.04. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 25.04. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 27.04. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 02.05. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 04.05. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 09.05. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 11.05. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 16.05. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 18.05. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 23.05. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 25.05. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 30.05. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 01.06. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 08.06. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 13.06. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 15.06. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 20.06. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 22.06. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 27.06. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 29.06. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Maschinelles Lernen spielt heutzutage nahezu überall in Technik und Forschung eine wesentliche Rolle. Die Erstellung von datengetriebenden Modellen, die effizient als Stellvertreter und/oder Vorhersagemodelle für neue Daten verwendet werden können, benötigt "know-how" in den mathematischen Grundlagen sowie Erfahrung im Umgang mit den passenden Softwarepaketen.
Die VU 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 nichtlinearer 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 VU wird auch aktuelle Forschungsthemen und Anwendungen in der Physik und Materialforschung behandeln.

Struktur:
Die VU "Angewandtes Machine Learning" vereint (i) einen "Theorieteil" wo mathematische und numerische Grundlagen des maschinellen Lernens vorgestellt werden, (ii) praktische Übungsaufgaben die den ersten Teil begleiten, und (iii) eine "Gruppenarbeit" wo ein kleines Anwendungsproblem in Gruppen von ca 4-6 Personen ausgearbeitet und präsentiert wird.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Die Note ergibt sich aus den Ausarbeitungen und Präsentation(en) der „Übungsbeispiele“ und des Teamprojekts.

Mindestanforderungen und Beurteilungsmaßstab

Die Lehrveranstaltung vermittelt grundlegende Kenntnisse über „Maschinelles Lernen“ anhand von Vorlesung, Übungsbeispielen und einem kleinen Teamprojekt.

Prüfungsstoff

Ausgehend von den eigenen Ausarbeitungen der Übungsbeispiele wird eine Kenntnis der wesentlichen Themen der Vorlesungen gezeigt.

Literatur

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.

Zuordnung im Vorlesungsverzeichnis

ZWM

Letzte Änderung: Mi 02.03.2022 09:10