Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Workshop Grundlagen Machine Learning für PhysikerModulbeschreibung #41169 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Modul / Version#41169 / #1
GültigkeitSoSe 2024 – WiSe 2024/25
Verfügbare Sprache(n)Englisch
Leistungspunkte9
Modulverantwortliche*rMontavon, Gregoire
BenotungUnbenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352000 FG Maschinelles Lernen

Kontakt

SekretariatMAR 4-1
Ansprechpartner*inNakajima, Shinichi
E-Mail-Adressenakajima@tu-berlin.de
Webseitehttps://web.ml.tu-berlin.de/

Lernergebnisse

Dieser Workshop soll Studierenden mit Physikhintergrund eine Einführung in das Gebiet des maschinellen Lernens geben und aktuelle Forschungsergebnisse zu Methoden des maschinellen Lernens in der Physik vermitteln.
Die Studierenden erhalten einen guten Überblick über Methoden des maschinellen Lernens, die in der Physik angewandt werden, wie z.B. die Beschleunigung von Simulationen von Gittereichtheorien, quantenbasiertes, klassisches und quanteninspiriertes maschinelles Lernen und die Berechnung von verallgemeinerten Partonverteilungen mit ML-Denoising-Ansätzen.

Lehrinhalte

- Grundlagen des maschinellen Lernens:
-> Klassische Methoden wie Lineare Regression und das Perceptron
-> Unsupervised Lernen: Clustering
-> Bayes'sche Methoden
-> Einführung Künstliche Neuronale Netze, Deep Learning, Autodiff-Frameworks wie Pytorch.
-> Spezialisierte Netzarchitekturen, wie rekurrente und convolutional neural networks
-> Geometrisches Deep Learning
-> Tiefe generative Modelle, wie Normalizing Flows

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Beginners Workshop Machine LearningProjekt Wintersemester–6 ISIS

Arbeitsaufwand und Leistungspunkte

Beginners Workshop Machine Learning (Projekt)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit158 h120 h
Vor-/Nachbereitung156 h90 h
Group Work410 h40 h
250 h

Der Aufwand des Moduls summiert sich zu 250 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die Studierenden werden an einem intensiven Block-Workshop teilnehmen, der Vorlesungen, Präsentationen von Experten in verwandten Bereichen und verschiedene Übungen umfasst.
Es wird kleinere Übungen und größere Gruppenübungen geben, anhand derer die Leistung der Studierenden gemessen wird.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Gute Kenntnisse in Physik sind wünschenswert.
Dieser Kurs wird in englischer Sprache angeboten. Daher sind gute englische Sprachkenntnisse (C1) dringend empfohlen.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungUnbenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
Gruppen Übung 125praktisch2-5 Seiten
Gruppen Übung 225praktisch2-5 Seiten
Gruppen Übung 325praktisch2-5 Seiten
Gruppen Übung 425praktisch2-5 Seiten

Prüfungsbeschreibung (Abschluss des Moduls)

Die Studierenden werden anhand der vier vorgegebenen Gruppenübungen bewertet. Diese bestehen darin, ML-Modelle für verschiedene Probleme zu implementieren und die Arbeit zu dokumentieren.
Die ersten beiden Übungen befassen sich mit den Grundlagen des maschinellen Lernens, die beiden letzten mit der Anwendung von ML-Algorithmen auf physikalische Probleme, die während des Workshops vorgestellt wurden.

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 18.

Anmeldeformalitäten

Registration for the module is handled through BIFOLD.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe