250039 VO Angewandtes Maschinelles Lernen (2024W)
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
Details
Sprache: Deutsch
Lehrende
Termine (iCal) - nächster Termin ist mit N markiert
Vorbesprechung 2.10.2024 HS13 18:30 gemeinsam mit PS Angewandtes Maschinelles Lernen, wo die Modularität und Struktur der Lehrveranstaltung besprochen wird.
Melden Sie sich auch für die Übungen/PS (250044) an, damit Sie Zugriff zur gemeinsamen Moodle-Seite für VO+UE haben !
- Mittwoch 02.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 07.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 09.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 14.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 16.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 21.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 23.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 28.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 30.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 04.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 06.11. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 11.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 13.11. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 18.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 20.11. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 25.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 27.11. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 02.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 04.12. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 09.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- N Mittwoch 11.12. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 16.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 08.01. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 13.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 15.01. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 20.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 22.01. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Montag 27.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
- Mittwoch 29.01. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Die Note ergibt sich aus der Ausarbeitung des Teamprojekts und kleinen Mitarbeitsbefragungen in Moodle. 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. Die Note ergibt sich aus den Mitarbeitsbefragungen und dem Teamprojekt bzw, im Falle einer Vorlesungsprüfung, aus dieser.
Prüfungsstoff
Vorlesungsstoff. 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.
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: Do 03.10.2024 14:46
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.