Universität Wien

250039 VO Angewandtes Maschinelles Lernen (2023W)

6.00 ECTS (4.00 SWS), SPL 25 - Mathematik
VOR-ORT
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
Für diese LV an-/abmelden

Details

Sprache: Deutsch

Prüfungstermine

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

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 !

  • Montag 02.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 05.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 09.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 12.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 16.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 19.10. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 23.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 30.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 06.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 09.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 13.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 16.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 20.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 23.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 27.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 30.11. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 04.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 07.12. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 11.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 14.12. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 08.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 11.01. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 15.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 18.01. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 22.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Donnerstag 25.01. 13:15 - 14:45 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 29.01. 16:45 - 18:15 Hörsaal 13 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 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.

Art der Leistungskontrolle und erlaubte Hilfsmittel

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.

Mindestanforderungen und Beurteilungsmaßstab

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

Prüfungsstoff

Teamprojekt oder mündliche Prüfung.

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

ML

Letzte Änderung: Mi 05.06.2024 16:06