Lehrende/r: Dr. Kristof Schmieden
Veranstaltungsart: Vorlesung
Anzeige im Stundenplan: 08.128.614
Semesterwochenstunden: 2
Credits: 3,0
Unterrichtssprache: Englisch
Min. | Max. Teilnehmerzahl: - | -
Voraussetzungen / Organisatorisches: Es werden keine Vorraussetzungen zur Teilnahme an der Vorlesung verlangt. Alle Programmierbeispiele werden Python benutzten und können als Jupyter notebook oder auf Googels CoLab ausgeführt werden. Daher sind Grundkenntnisse in Python empfehlenswert.
Inhalt: Die Grundlagen des Maschinellen Lernens werden zu Beginn knapp besprochen. Der Fokus liegt auf der praktischen Anwendung von ML Tools zum Bau von Klassifikatoren und Regressionen sowie der Anwendung von generativen Algorithmen. Dazu werden wir viele Beispiele mit Hilfe von Python & Keras erstellen und die Grenzen dieser erarbeiten. Als Beispiele werden neben Daten aus der Teilchenphysik einige Standard Datensätze zur Entwicklung von ML tools verwendet. Ein tieferes Verständnis der physikalisches Prozesse ist jedoch nicht nötig um der Vorlesung zu folgen. In der Vorlesung sollten Sie u.a. lernen: - Wann ist ein ML Klassifikator sinnvoll - Wie wird ein ML Klassifikator mit modernen Bausteinen implementiert? - Wie kann man sich Sicher sein das das Training robust ist (Stichwort overtraining) - Wie lassen sich Unsicherheiten auf einen ML Klassifikator bestimmen? - Wie kann ein Klassifikator optimiert werden - Generative Netzwerke und Anwendung in Physik Simulation- Adversarial Learning (GANs) Am Ende der Vorlesung wird noch Zeit für ein weiteres Thema Ihrer Wahl bleiben, z.B. Explorative Algorithmen, Boosted decision trees, ...
Empfohlene Literatur: Buch empfehlung: Martin Erdmann, Deep learning for physics research https://hds.hebis.de/ubmz/Record/HEB487091906
