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

270095 UE Machine Learning von Molekülen und Materialien (2022W)

2.00 ECTS (2.00 SWS), SPL 27 - Chemie
Prüfungsimmanente Lehrveranstaltung
Moodle

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

Lehrende

Termine

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

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 Form von Computerübungen präsentiert und sind nur in Verbindung mit der zugehörigen Vorlesung sinnvoll.

Die Ziele sind:
- Verständnis und Überblick über Methoden des maschinelle Lernens für Moleküle und Materialien.
- Fähigkeit, kleine Programme in Python zu schreiben, mit einem Schwerpunkt auf maschinelles Lernen für die theoretische Chemie.
- Kenntnisse über das Lösen von Problemen mit maschinellem Lernen.

Art der Leistungskontrolle und erlaubte Hilfsmittel

Die Leistung wird durch die Mitarbeit bei den Computerübungen bewertet. Es besteht die Möglichkeit, die Leistung durch 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 setzt sich aus den gemittelten Ergebnissen der verschiedenen Computerübungen und der Mitarbeit zusammen.

Prüfungsstoff

Inhalt der Lehrveranstaltung.

Literatur

- C. Bishop, Pattern recognition and machine Learning
- https://www.deeplearningbook.org/

Zuordnung im Vorlesungsverzeichnis

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

Letzte Änderung: Mo 13.03.2023 10:09