280384 VO PM-MetNawi: Maschinelles und Statistisches Lernen in der Meteorologie (NPI) (2021W)
PM-MetNawi: Machine and Statistical Learning in Meteorology (NPI)
Labels
VOR-ORT
An/Abmeldung
Hinweis: Ihr Anmeldezeitpunkt innerhalb der Frist hat keine Auswirkungen auf die Platzvergabe (kein "first come, first served").
Details
max. 12 Teilnehmer*innen
Sprache: Deutsch
Prüfungstermine
Lehrende
Termine
Do 17:15-18:45
Raum 2F513, UZA II
14.10.21 1. Vorlesungseinheit
21.10.21 2. Vorlesungseinheit
28.10.21 3. Vorlesungseinheit
04.11.21 4. Vorlesungseinheit
11.11.21 5. Vorlesungseinheit
18.11.21 6. Vorlesungseinheit
25.11.21 7. Vorlesungseinheit
02.12.21 8. Vorlesungseinheit
09.12.21 9. Vorlesungseinheit
16.12.21 10. VorlesungseinheitWeihnachtsferien13.01.22 Projektvorstellung
20.01.22 Projektvorstellung
27.01.22 Prüfung
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Schriftliche oder mündliche Prüfung am Ende der Vorlesung. Für jede Frage ist eine gewisse Punktanzahl zu erreichen.
Alternativ: Durchführung eines eigenen Projekts und Vorstellung am Ende des Semesters
Alternativ: Durchführung eines eigenen Projekts und Vorstellung am Ende des Semesters
Mindestanforderungen und Beurteilungsmaßstab
Mindestens 50% der möglichen PunkteNotenschlüssel:
<50.0%: Nicht Genügend
50.0% -62.5%: Genügend
62.5% - 75.0%: Befriedigend
75.0% - 87.5%: Gut
> 87.5%: Sehr Gut
<50.0%: Nicht Genügend
50.0% -62.5%: Genügend
62.5% - 75.0%: Befriedigend
75.0% - 87.5%: Gut
> 87.5%: Sehr Gut
Prüfungsstoff
Der gesamte für die Prüfung relevante Stoff ist im Vorlesungsskriptum bzw. in der detaillierten Vorlesungspräsentation enthalten
Literatur
Wird in der ersten Vorlesungsstunde bekannt gegeben
Zuordnung im Vorlesungsverzeichnis
Letzte Änderung: Mo 20.06.2022 10:10
* Tieferen math. Einblick in ausgewählte Methoden anhand meteorologischer Beispiele erhalten
* Hinweise zur Datenaufbereitung und -transformation
* Lernen, wie man folgende Methoden selbst programmiert:INHALTE:
Lineare und logistische Regressionen mit und ohne RegularisierungenEntscheidungsbäume wie Random ForestsNeuronale Netze wie das mehrlagige Perzeptron oder Long-Short-Term MemoriesSelbstorganisierende Karten und Autoencoder zur DimensionsreduktionMETHODEN:Vorlesung mit sehr detailliertem SkriptumNICHT ZIELE:Überblick über bestehende Tools für Statistisches und Maschinelles Lernen in speziellen ProgrammiersprachenVermittlung von speziellen ProgrammierkenntnissenBeantwortung der Frage: Welche Funktion muss ich aufrufen oder wo muss ich drauf klicken, um die Antwort auf eine spezielle Fragestellung zu bekommen.Kochrezepte für Anwendungen der künstlichen IntelligenzWichtig: Meteorologie Kenntnisse erforderlich