Universität Wien

280356 VU Fundamentals of Machine Learning in Meteorology (2023S)

5.00 ECTS (3.00 SWS), SPL 28 - Erdwissenschaften, Meteorologie - Geophysik und
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").

Details

max. 15 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

UZA II: Friday 2G542

Vorlesung:

März
Mo 06.03.2023
Mo 20.03.2023
Mo 27.03.2023

April
Mo 17.04.2023
Mo 24.04.2023

Mai
Mo 08.05.2023
Mo 15.05.2023
Mo 22.05.2023

Juni
Mo 05.06.2023
Mo 12.06.2023
Mo 19.06.2023
Mo 26.06.2023 Prüfung

Übungen
Fr 28.04.2023
Fr 26.05.2023
Fr 23.06.2023

  • Montag 06.03. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Montag 20.03. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Montag 27.03. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Montag 17.04. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Montag 24.04. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Freitag 28.04. 13:00 - 17:00 Ort in u:find Details
  • Montag 08.05. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Montag 15.05. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Freitag 26.05. 13:00 - 17:00 Ort in u:find Details
  • Montag 05.06. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Montag 12.06. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Montag 19.06. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II
  • Freitag 23.06. 13:00 - 17:00 Ort in u:find Details
  • Montag 26.06. 17:15 - 18:45 Praktikumsraum Meteorologie 2F513 5.OG UZA II

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Ziele:

Verständnis und Anwendung der Methoden des Machine Learnings im Bereich der Meteorologie

Inhalte:

Überblick über Methoden des maschinellen Lernens
Konzepte des Maschinellen Lernens
Regressionen und Klassifikationen
Clusterung und Dimensionsreduktion
Entscheidungsbäume
Künstliche Neuronale Netze
Verstärkendes Lernen

Vermittlung der Inhalte über Vorlesung (Powerpoint) und Computerübungen

Art der Leistungskontrolle und erlaubte Hilfsmittel

Multiple-Choice-Test zu Vorlesungsthemen in der letzten Vorlesungseinheit (Bewertunganteil: 40 %)
Ein Test mit Programmieraufgaben am Ende des letzten Übungsblocks (Bewertungsanteil: 30 %)
Eine Präsentation zu einem meteorologischen Machine Learning Thema aus der Literatur (Bewertungsanteil: 30 %)

Bei Multiple-Choice-Test sind keine Hilfsmittel erlaubt, bei den Computeraufgaben sind alle beliebigen Hilfsmittel erlaubt

Mindestanforderungen und Beurteilungsmaßstab

Multiple-Choice-Test zu Vorlesungsthemen in der letzten Vorlesungseinheit (Bewertunganteil: 40 %)
Ein Test mit Programmieraufgaben am Ende des letzten Übungsblocks (Bewertungsanteil: 30 %)
Eine Präsentation zu einem meteorologischen Machine Learning Thema aus der Literatur (Bewertungsanteil: 30 %)

Punkte der einzelnen Teilleistungen werden gewichtet addiert, auf die maximal zu erreichenden Punke normiert und mit folgendem Schlüssel in eine Note umgewandelt:

Notenschlüssel: 0-49.99%: 5, 50.00-62.49%: 4, 62.50-74.99%: 3, 75:00-87.49%: 2, > 87.50%: 1

Prüfungsstoff

Vorlesungsstoff wird über Multiple Choice Test abgefragt

Zusätzlich müssen Studierende einen Vortrag zu einer meteorologischen AI-Anwendung aus der Literatur vortragen

Der Stoff aus den Übungen muss in Form von Python Computeraufgaben angewandt werden können

Literatur

The Elements of Statistical Learning (Trevor Hastie, Robert Tibshirani, Jerome Friedman)
An Introduction to statistical Learning (Gareth James, Daniela Witten, Robert Tibshirani, Jerome Friedman)
Python Machine Learning (Sebastian Raschka, Vahid Mirjalili)
Python Machine Learning by Example (Yuxi Hayden Liu)
Deep Learning for The Earth Sciences (Gustau Camps-Valls )

Zuordnung im Vorlesungsverzeichnis

WM-AdvComMet

Letzte Änderung: Di 03.12.2024 00:16