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

250039 VO Applied machine learning (2024W)

6.00 ECTS (4.00 SWS), SPL 25 - Mathematik
Moodle
Mo 20.01. 16:45-18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock

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).
Register/Deregister for this course

Details

Language: German

Lecturers

Classes (iCal) - next class is marked with N

Vorbesprechung 2.10.2024 HS13 18:30 gemeinsam mit PS Angewandtes Maschinelles Lernen, wo die Modularität und Struktur der Lehrveranstaltung besprochen wird.
Melden Sie sich auch für die Übungen/PS (250044) an, damit Sie Zugriff zur gemeinsamen Moodle-Seite für VO+UE haben !

  • Wednesday 02.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 07.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 09.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 14.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 16.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 21.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 23.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 28.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 30.10. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 04.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 06.11. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 11.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 13.11. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 18.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 20.11. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 25.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 27.11. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 02.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 04.12. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 09.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 11.12. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 16.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 08.01. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 13.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 15.01. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 22.01. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 27.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 29.01. 18:30 - 20:00 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock

Information

Aims, contents and method of the course

Maschinelles Lernen spielt heutzutage nahezu überall in Technik und Forschung eine wesentliche Rolle. Die Erstellung von datengetriebenden Modellen, die effizient als Stellvertreter und/oder Vorhersagemodelle für neue Daten verwendet werden können, benötigt "know-how" in den mathematischen Grundlagen sowie Erfahrung im Umgang mit den passenden Softwarepaketen.
Die VO steckt sich das Ziel theoretische wie anwendungsrelevante Aspekte "unter einen Hut zu bringen". Neben den besonders praktisch relevanten Grundlagen wie Datenanalyse, Modellwahl, Validierung, Over- und Underfitting, "feature selection", werden "klassische Methoden", wie nichtlineare Modellreduktion (PCA, MDS, Kernelmethoden, etc.), Klassifizierung (Logistic Regression, Random Forests, SVMs, etc), Regression (kernel rigde regression, lasso, etc), Clustering, Ensemble Learning vorgestellt, sowie die Grundlagen der aktuellen Deep Neural Networks (DNN), insbesondere neue fortgeschrittene Methodologien wie Autoencoders/-decoders, Convolutional Neural Networks und "Physics-Informed Neural Networks (PINN)".
Anhand praktischer Übungsaufgaben wird der Umgang damit "hands-on" via Python, scikit-learn und keras/tensorflow vermittelt, wobei wir Kaggle als (nicht-lokale) Python-Umgebung verwenden mit freiem Zugang zu GPUs. Die VO wird auch aktuelle Forschungsthemen und Anwendungen in der Physik und Materialforschung behandeln, und Raum für Diskussionen und math. Bezugnahme über/zu wichtige gesellschaftsrelevante Themen wie "Trustworthy AI" und "AI Risk Assessment" bieten.

Struktur:
Die VU "Angewandtes Machine Learning" vereint (i) einen "Theorieteil" wo mathematische und numerische Grundlagen des maschinellen Lernens vorgestellt werden (wird weitgehend im Oktober abgehalten), (ii) praktische Übungsaufgaben die den ersten Teil im Anschluss vertiefen und komplementieren (die Ausarbeitungen werden abgegeben und die Lösungen jeweils in einer zoom hands-on von uns besprochen) und (iii) eine "Gruppenarbeit" wo ein kleines Anwendungsproblem in Gruppen von 2-6 Personen für den Rest des Semesters ausgearbeitet und schriftlich abgegeben wird.

!!! Es gibt begleitende Übungen dazu -> Anmeldung erforderlich: LV-Nr 250044.

Assessment and permitted materials

Die Note ergibt sich aus der Ausarbeitung des Teamprojekts und kleinen Mitarbeitsbefragungen in Moodle. Alternativ zu einem Projekt kann auch eine Vorlesungsprüfung über den gesamten Stoff absolviert werden.

Minimum requirements and assessment criteria

Die Lehrveranstaltung vermittelt grundlegende Kenntnisse über „Maschinelles Lernen“ mit praktischem Bezug anhand von Vorlesung, Übungsbeispielen und einem kleinen Teamprojekt. Die Note ergibt sich aus den Mitarbeitsbefragungen und dem Teamprojekt bzw, im Falle einer Vorlesungsprüfung, aus dieser.

Examination topics

Vorlesungsstoff. Teamprojekt oder mündliche Prüfung.

Reading list

Vorlesungsskriptum.
Weitere Literatur:
Aurélien Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition. O'Reilly Media, 2019.
Forsyth, David, Applied Machine Learning. Springer International Publishing, 2019.
Shalev-Shwartz, Shai, and Shai Ben-David, Understanding machine learning: From theory to algorithms. Cambridge university press, 2014.

Association in the course directory

ML

Last modified: Th 03.10.2024 14:46