Physikbasiertes Machine Learning

Worum geht's

Du lernst ausgewählte Methoden des maschinellen Lernens von Grundkonzepten bis zum Stand der Technik kennen. Im Fokus stehen Klassifikation und Regression, Clustering und Dimensionsreduktion sowie generative Modelle; am Ende kannst du die Methoden verstehen, implementieren und auf reale Probleme anwenden sowie physikalische Randbedingungen und Invarianzen berücksichtigen.

Was du danach kannst

• Schlüsselkonzepte verschiedener ML-Algorithmen verstehen
• Besprochene Methoden auf Testprobleme anwenden
• Algorithmen implementieren und auf reale Problemstellungen übertragen
• Physikalische Randbedingungen und Invarianzen in ML-Methoden integrieren
• Methoden vergleichen hinsichtlich Anwendung, Vor-/Nachteilen und Grenzen

Aus was das Modul besteht

• VorlesungVermittlung motivierender Beispiele, Schlüsselkonzepte und mathematischer Hintergründe
• ÜbungHands-on Erfahrung mit Machine Learning Techniken und praktische Anwendung

Lehrmethode

• VorlesungsfolienVorstellung motivierender Beispiele und Schlüsselkonzepte
• TafelanschriebErläuterung wichtiger mathematischer Hintergründe
• AnimationenDemonstration von Algorithmen
• Übungs-Handson mit PythonPraktische Umsetzung und Anwendung der Methoden (Lösungen in Python verfügbar)