Scientific Computing and Machine Learning

Worum geht's

Du lernst, wie Methoden des Machine Learning in Scientific Computing angewendet werden, um Probleme aus Naturwissenschaften und Ingenieurwesen zu lösen. Im Fokus stehen numerische Approximationen von Differentialgleichungen, inverse Probleme, Modellreduktion und praktische Umsetzung auf CPU/GPU. Am Ende kannst du mathematische Formulierungen dynamischer Systeme verstehen und geeignete Lernalgorithmen für spezifische Probleme auswählen.

Was du danach kannst

• Grundlagen und mathematischer Formalismus von Scientific Computing für ML
• Beschreibung dynamischer Systeme (gewöhnliche und partielle Differentialgleichungen)
• Anwendung relevanter Softwareframeworks (numpy, scipy, tensorflow, pytorch, JAX, CUDA)
• Bewertung von Anwendungsfeldern des ML in den Naturwissenschaften

Aus was das Modul besteht

• VorlesungVermittlung der Grundlagen und des mathematischen Formalismus
• ÜbungenVertiefung und kreatives Anwenden der Vorlesungsinhalte
• HausaufgabenSelbststudium zur Ergänzung der Vorlesung

Lehrmethode

• Tafelvortrageingehende Vermittlung der Grundlagen und des mathematischen Formalismus
• FolienpräsentationDarstellung aktueller technischer Entwicklungen
• Übungen und HausaufgabenVerständnisförderung und praktische Anwendung