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

270087 VO Machine Learning von Molekülen und Materialien (2022W)

4.00 ECTS (2.00 SWS), SPL 27 - Chemie

An/Abmeldung

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

Details

max. 24 Teilnehmer*innen
Sprache: Deutsch

Prüfungstermine

Lehrende

Termine

Vorlesung und Übung finden Montags von 9:30-12:30 im PC-Pool, Währinger Str. 17, 2. Stock statt.
Die Vorlesung wird auf Englisch gehalten.


Information

Ziele, Inhalte und Methode der Lehrveranstaltung

Die Grundkonzepte des maschinellen Lernens in der theoretischen Chemie für Moleküle und Materialien werden vorgestellt. Zunächst wird eine allgemeine Einführung in wichtige Modelle des maschinelle Lernens wie neuronale Netze und Kernel-Ridge-Regression gegeben. Python als Programmiersprache wird eingeführt, um die erlernten Konzepte in Computercodes zu übersetzen. Die Konzepte werden erweitert und auf molekulare Systeme angewendet. Verschiedene Arten von Darstellungen von Molekülen werden diskutiert. Darüber hinaus wird maschinelles Lernen für Materialien vorgestellt. Die Inhalte werden in einer ineinandergreifenden Abfolge von Präsentationen, Sitzungen mit "flipped classroom" und Tafelvorlesungen präsentiert. Die Vorlesung wird durch die zugehörige Computerübung ergänzt.

Die Ziele sind:
- Verständnis und Überblick über Methoden des maschinelle Lernens für Moleküle und Materialien.
- Kenntnisse über das Lösen von Problemen mit maschinellem Lernen.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Die Leistung wird wahlweise durch eine Abschlussarbeit oder einen schriftlichen Abschlusstest erbracht. Kurztests und eine mündliche Präsentation ermöglichen Bonuspunkte. Als Abschlussarbeit gilt das Lösen eines eigenen Problems aus der Chemie mittels maschinellem Lernen unter Beweis zu stellen.

Mindestanforderungen und Beurteilungsmaßstab

Grundkenntnisse aus der theoretischen Chemie (Bachelorniveau: Hartree-Fock, harmonischer Oszillator, mathematische Grundlagen, etc.) werden vorausgesetzt. Die Note ergibt sich aus der Abschlussarbeit bzw. dem Abschlusstest.

Prüfungsstoff

Inhalt der Vorlesung.

Literatur

- C. Bishop, Pattern recognition and machine Learning
- https://www.deeplearningbook.org/
Forschungsartikel, wie sie in den Vorträgen diskutiert werden.

Zuordnung im Vorlesungsverzeichnis

CH-MAT-01, PC-4, TC-3,WD3, D.4, Design

Letzte Änderung: Mo 13.03.2023 10:09