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

250047 VU Applied machine learning (2021W)

7.00 ECTS (4.00 SWS), SPL 25 - Mathematik
Continuous assessment of course work
MIXED
Moodle

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. 100 participants
Language: German

Lecturers

Classes (iCal) - next class is marked with N

Update 19.11.: Vorlesungen, Übungen und Hands-On Sessons werden digital stattfinden. Beachten Sie auch bitte die Ankündigungen im Moodle-Forum.

Vorlesungen: vorort + u:stream
Übungen: digital via zoom

  • Wednesday 06.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 11.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 13.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 18.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 20.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 25.10. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 27.10. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 03.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 08.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 10.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 15.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 17.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 22.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 24.11. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 29.11. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 01.12. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 06.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 13.12. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 15.12. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 10.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 12.01. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 17.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Wednesday 19.01. 16:45 - 18:15 Hörsaal 11 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 24.01. 16:45 - 18:15 Hörsaal 13 Oskar-Morgenstern-Platz 1 2.Stock
  • Monday 31.01. 16:45 - 18:15 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 VU 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 nichtlinearer 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/-decoder, Convolutional Neural Networks und "Physics-Informed Neural Networks (PINN)".

Anhand praktischer Übungsaufgaben wird der Umgang damit "hands-on" via Python, scikit-learn und sciann vermittelt. Die VU wird auch aktuelle Forschungsthemen und Anwendungen in der Physik und Materialforschung behandeln.

Struktur:
Die VU "Angewandtes Machine Learning" vereint (i) einen "Theorieteil" wo mathematische und numerische Grundlagen des maschinellen Lernens vorgestellt werden, (ii) praktische Übungsaufgaben die den ersten Teil begleiten, und (iii) eine "Gruppenarbeit" wo ein kleines Anwendungsproblem in Gruppen von ca 4 Personen ausgearbeitet und präsentiert wird.

Assessment and permitted materials

Die Note ergibt sich aus den Ausarbeitungen und Präsentation(en) der „Übungsbeispiele“ und des Projektbeispiels. Dazu eine Prüfung am/nach Ende der Lehrveranstaltung, wo ausgehend von den eigenen Ausarbeitungen der Übungsbeispiele eine Kenntnis der wesentlichen Themen der Vorlesungen gezeigt werden kann.

Minimum requirements and assessment criteria

Die Lehrveranstaltung vermittelt grundlegende Kenntnisse über „Maschinelles Lernen“ anhand von Vorlesung, Übungsbeispielen und einem kleinen Team-Projekt.

Examination topics

Ausgehend von den eigenen Ausarbeitungen der Übungsbeispiele wird eine Kenntnis der wesentlichen Themen der Vorlesungen gezeigt.

Reading list

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

Last modified: Mo 17.01.2022 16:29