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

200177 SE Theorie und Empirie wissenschaftlichen Arbeitens (Geist und Gehirn) 2 (2023S)

8.00 ECTS (4.00 SWS), SPL 20 - Psychologie
Prüfungsimmanente Lehrveranstaltung
Moodle

An/Abmeldung

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

Details

max. 20 Teilnehmer*innen
Sprache: Englisch

Lehrende

Termine (iCal) - nächster Termin ist mit N markiert

TEWA 2: Fortgeschrittene Datenwissenschaft in Python: Bayesian Modellierung und Deep Learning

Unterrichtsprache: Englisch
Dieser Kurs ist als reiner Präsenzkurs geplant.

Vorkenntnisse in der Python-Programmierung sind erforderlich.

In der Spezialisierung Geist & Gehirn bieten wir TEWA 1 und TEWA 2 an. TEWA 1 konzentriert sich im Allgemeinen auf rechnerische Aspekte/Theorie und TEWA 2 auf die praktische Anwendung spezifischer Datenerfassungstechniken. Während Ihres Masterstudiums müssen Sie einen TEWA 1 und einen TEWA 2 besuchen. Sie sollten zuerst einen TEWA 1 und dann einen TEWA 2 besuchen.

  • Montag 06.03. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 20.03. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 27.03. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 17.04. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 24.04. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 08.05. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 15.05. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 22.05. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 05.06. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 12.06. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 19.06. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607
  • Montag 26.06. 13:15 - 16:30 PCR Computerhörsaal Psychologie, NIG 6.Stock A0607

Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Der Großteil der Kurse konzentriert sich auf die Vermittlung theoretischer und praktischer Aspekte der Bayes'schen Modellierung für die Datenanalyse. Ein besonderer Schwerpunkt ist die Analyse von Daten aus psychologischen Experimenten mit Hilfe probabilistischer Programmiermethoden. Der letzte Teil des Kurses führt in das Deep Learning ein, wobei der Schwerpunkt auf Anwendungen des Computersehens und deren Verbindung zum Studium der kognitiven Neurowissenschaften des Sehens liegt.
Lernziele: Datenanalyse mit probabilistischer Programmierung (PyMC & ArViz Bibliotheken), bayesianischer Workflow, bayesianische Modelle der Kognition, bayesianische Gehirne, grundlegendes Deep Learning (Keras), Deep Learning als Modell des Gehirns.

Kursformat:
Theorieunterricht: Präsentationen - Diskussionen im Stil eines Journal Clubs,
praktischer Unterricht: Python-Programmierungtutorials & Projekte zur Datenanalyse

Übersetzt mit www.DeepL.com/Translator

Art der Leistungskontrolle und erlaubte Hilfsmittel


Bewertung: Präsentationen, kleine theoretische Hausaufgaben, Teilnahme an den Diskussionen, Teilnahme an den Tutorien, Datenanalyseprojekt.

Mindestanforderungen und Beurteilungsmaßstab

Aktive Teilnahme am Unterricht und an den Programmierübungen.

1: >87%
2: 76 - 87%
3: 64 - 75%
4: 51 - 63%
5: <=50%

Prüfungsstoff

Fähigkeit zur Verwendung von Python für fortgeschrittene Datenanalysen und Visualisierungsaufgaben an realen Daten

Versteht die Verwendung von Datensimulationen für die Datenanalyse

Vertraut mit den wichtigsten Konzepten der Bayes'schen Modellierung (Prior, Likelihood, Posterior)

lineare und verallgemeinerte Regressionsmodelle, hierarchische Modelle und wie man ihre frequentistischen und Bayes'schen Versionen in Python implementiert

Vertrautheit mit den wichtigsten Deep-Learning-Architekturen und Optimierungstechniken

Deep-Learning-library tensorflow/keras,

Übersetzt mit www.DeepL.com/Translator

Literatur

Downey, A. B. (2021). Think Bayes. " O'Reilly Media, Inc.".

Martin, O. A., Kumar, R., & Lao, J. (2022). Bayesian Modeling and Computation in Python. Chapman and Hall/CRC.

Martin, O. (2018). Bayesian Analysis with Python: Introduction to statistical modeling and probabilistic programming using PyMC3 and ArviZ. Packt Publishing Ltd.

McElreath, R. (2020). Statistical rethinking: A Bayesian course with examples in R and Stan. Chapman and Hall/CRC.

Gelman, A., Hill, J., & Vehtari, A. (2020). Regression and other stories. Cambridge University Press.

Yang, G. R., & Wang, X. J. (2020). Artificial neural networks for neuroscientists: a primer. Neuron, 107(6), 1048-1070.

Goodfellow, I. (2016). Nips 2016 tutorial: Generative adversarial networks. arXiv preprint arXiv:1701.00160.

Zuordnung im Vorlesungsverzeichnis

Letzte Änderung: So 05.03.2023 15:28