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

280356 VU Fundamentals of Machine Learning in Meteorology (2024S)

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: 2G542

  • Donnerstag 07.03. 16:45 - 18:15 Ort in u:find Details
  • Donnerstag 14.03. 16:45 - 18:15 Ort in u:find Details
  • Donnerstag 21.03. 16:45 - 18:15 Ort in u:find Details
  • Donnerstag 11.04. 16:45 - 18:15 Ort in u:find Details
  • Donnerstag 18.04. 16:45 - 18:15 Ort in u:find Details
  • Donnerstag 25.04. 16:45 - 18:15 Ort in u:find Details
  • Freitag 26.04. 13:00 - 17:00 Ort in u:find Details
  • Donnerstag 02.05. 16:45 - 18:15 Ort in u:find Details
  • Donnerstag 16.05. 16:45 - 18:15 Ort in u:find Details
  • Donnerstag 23.05. 16:45 - 18:15 Ort in u:find Details
  • Freitag 24.05. 13:00 - 17:00 Ort in u:find Details
  • Donnerstag 06.06. 16:45 - 18:15 Ort in u:find Details
  • Donnerstag 13.06. 16:45 - 18:15 Ort in u:find Details
  • Donnerstag 20.06. 16:45 - 18:15 Ort in u:find Details
  • Freitag 21.06. 13:00 - 17:00 Ort in u:find Details
  • Donnerstag 27.06. 16:45 - 18:15 Ort in u:find Details

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

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: Do 07.03.2024 09:26