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

270078 VO+UE Machine learning for molecules and materials (2019W)

with an introduction to python

4.00 ECTS (3.00 SWS), SPL 27 - Chemie
Prüfungsimmanente Lehrveranstaltung

An/Abmeldung

Details

max. 25 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine

Start: 3.10.2019
Wann? Immer Donnerstags 10:00 Uhr
Wo? PC-Pool Raum 203, Währinger Str. 17, 1090 Wien


Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die Grundkonzepte des maschinellen Lernens in der theoretischen Chemie für Moleküle und Materialien werden vorgestellt. Zunächst wird eine allgemeine Einführung in wichtige Modelle des maschinelle Lernens wie neuronale Netze und Kernel-Ridge-Regression gegeben. Python als Programmiersprache wird eingeführt, um die erlernten Konzepte in Computercodes zu übersetzen. Die Konzepte werden erweitert und auf molekulare Systeme angewendet. Verschiedene Arten von Darstellungen von Molekülen werden diskutiert. Darüber hinaus wird maschinelles Lernen für Materialien vorgestellt. Die Inhalte werden in einer ineinandergreifenden Abfolge von Präsentationen, Sitzungen mit "flipped classroom" und Computerübungen präsentiert.

Die Ziele sind:
- Verständnis und Überblick über Methoden des maschinelle Lernens für Moleküle und Materialien.
- Fähigkeit, kleine Programme in Python zu schreiben, mit einem Schwerpunkt auf maschinelles Lernen für die theoretische Chemie.
- Kenntnisse über das Lösen von Problemen mit maschinellem Lernen.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Die Leistung wird durch Kurztests und eine mündliche Präsentation, sowie die Mitarbeit bei den Computerübungen und der Vorlesung bewertet. Es besteht die Möglichkeit, die Leistung durch das Lösen eines eigenen Problems aus der Chemie mittels maschinellem Lernen unter Beweis zu stellen.

Mindestanforderungen und Beurteilungsmaßstab

Grundkenntnisse aus der theoretischen Chemie (Bachelorniveau: Hartree-Fock, harmonischer Oszillator, mathematische Grundlagen, etc.) werden vorausgesetzt. Die Note setzt sich aus den gemittelten Ergebnissen der Kurztests (30%), der mündlichen Präsentation (30%) und der Mitarbeit (40%) zusammen.

Prüfungsstoff

Inhalt der Vorlesung.

Literatur

- C. Bishop, Pattern recognition and machine Learning
- https://www.deeplearningbook.org/
Forschungsartikel, wie sie in den Vorträgen diskutiert werden.

Zuordnung im Vorlesungsverzeichnis

PC-4, D.4, MC-3, D.3, Doktorat

Letzte Änderung: Do 26.09.2019 00:05