250141 VO Angewandtes Maschinelles Lernen (2023S)
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
Details
Sprache: Deutsch
Prüfungstermine
Lehrende
- Lukas Exl
- Norbert Mauser
- Emina Demirovic (TutorIn)
Termine (iCal) - nächster Termin ist mit N markiert
Vorbesprechung 1.3.2023 HS13 16:45
Mittwoch
01.03.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
06.03.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
08.03.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
15.03.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
20.03.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
22.03.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
27.03.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
29.03.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
17.04.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
19.04.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
24.04.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
26.04.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
03.05.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
08.05.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
10.05.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
15.05.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
17.05.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
22.05.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
24.05.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
31.05.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
05.06.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
07.06.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
12.06.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
14.06.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
19.06.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
21.06.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Montag
26.06.
16:45 - 18:15
Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
Mittwoch
28.06.
16:45 - 18:15
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 und Präsentation des Teamprojekts und kleinen Mitarbeitstests. Alternativ zur Präsentation kann auch eine Vorlesungsprüfung absolviert werden.
Mindestanforderungen und Beurteilungsmaßstab
Die Lehrveranstaltung vermittelt grundlegende Kenntnisse über „Maschinelles Lernen“ anhand von Vorlesung, Übungsbeispielen und einem kleinen Teamprojekt.
Prüfungsstoff
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.
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 08.11.2023 08:07
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.!!! Es gibt begleitende Übungen dazu -> Anmeldung erforderlich: LV-Nr 250144.