280356 VU Fundamentals of Machine Learning in Meteorology (2024S)
Prüfungsimmanente Lehrveranstaltung
Labels
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
- Anmeldung von Mo 05.02.2024 00:00 bis Di 27.02.2024 23:59
- Anmeldung von Do 29.02.2024 00:00 bis Mi 06.03.2024 23:59
- Abmeldung bis So 31.03.2024 23:59
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
N
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
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
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
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 abgefragtZusätzlich müssen Studierende einen Vortrag zu einer meteorologischen AI-Anwendung aus der Literatur vortragenDer 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 )
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
Konzepte des Maschinellen Lernens
Regressionen und Klassifikationen
Clusterung und Dimensionsreduktion
Entscheidungsbäume
Künstliche Neuronale NetzeVermittlung der Inhalte über Vorlesung (Powerpoint) und Computerübungen