Universität Wien

250047 VU Angewandtes Maschinelles Lernen (2022W)

7.00 ECTS (4.00 SWS), SPL 25 - Mathematik
Prüfungsimmanente Lehrveranstaltung
VOR-ORT
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 3. Oktober 16:45.

  • Montag 03.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 05.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 10.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 12.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 17.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 19.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 24.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 31.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 07.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 09.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 14.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 16.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 21.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 23.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 28.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 30.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 05.12. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 07.12. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 12.12. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 14.12. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 09.01. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 11.01. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 16.01. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 18.01. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 23.01. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Mittwoch 25.01. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Montag 30.01. 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 (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 ausgearbeitet und präsentiert wird.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Die Note ergibt sich aus Testresultate (kurze Moodle Tests/Abfragen) und der Ausarbeitung und Präsentation des Teamprojekts.

Mindestanforderungen und Beurteilungsmaßstab

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

Prüfungsstoff

Moolde Tests zum Vorlesungsteil + Präsentation eines Team Projekts

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: Do 29.09.2022 16:49