Universität Wien FIND

Get vaccinated to work and study safely together in autumn.

To enable a smooth and safe start into the semester for all members of the University of Vienna, you can get vaccinated without prior appointment on the Campus of the University of Vienna from Saturday, 18 September, until Monday, 20 September. More information: https://www.univie.ac.at/en/about-us/further-information/coronavirus/.

Warning! The directory is not yet complete and will be amended until the beginning of the term.

280384 VO PM-MetNawi Machine and statistical learning in meteorology (NPI) (2021W)

PM-MetNawi: Machine and Statistical Learning in Meteorology (NPI)

ON-SITE

Registration/Deregistration

Note: The time of your registration within the registration period has no effect on the allocation of places (no first come, first served).

Details

max. 12 participants
Language: German

Examination dates

Lecturers

Classes

Do 17:15-18:45
Raum 2F513, UZA II

Termine:

07.10.21 Vorbesprechung
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. Vorlesungseinheit

Weihnachtsferien

13.01.22 Projektvorstellung
20.01.22 Projektvorstellung
27.01.22 Prüfung


Information

Aims, contents and method of the course

ZIELE:

* Überblick über die Methoden des statistischen und des maschinellen Lernens gewinnen.
* 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 Regularisierungen

Entscheidungsbäume wie Random Forests

Neuronale Netze wie das mehrlagige Perzeptron oder Long-Short-Term Memories

Selbstorganisierende Karten und Autoencoder zur Dimensionsreduktion

METHODEN:

Vorlesung mit sehr detailliertem Skriptum

NICHT ZIELE:

Überblick über bestehende Tools für Statistisches und Maschinelles Lernen in speziellen Programmiersprachen

Vermittlung von speziellen Programmierkenntnissen

Beantwortung 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 Intelligenz

Wichtig: Meteorologie Kenntnisse erforderlich

Assessment and permitted materials

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

Minimum requirements and assessment criteria

Mindestens 50% der möglichen Punkte

Notenschlüssel:
<50.0%: Nicht Genügend
50.0% -62.5%: Genügend
62.5% - 75.0%: Befriedigend
75.0% - 87.5%: Gut
> 87.5%: Sehr Gut

Examination topics

Der gesamte für die Prüfung relevante Stoff ist im Vorlesungsskriptum bzw. in der detaillierten Vorlesungspräsentation enthalten

Reading list

Wird in der ersten Vorlesungsstunde bekannt gegeben

Association in the course directory

Last modified: Fr 17.09.2021 13:09