Workshop Grundlagen Machine Learning für PhysikerModulbeschreibung #41169 / Version 1
- 9 LP
- Portfolioprüfung
- Unbenotet
- Wintersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
| Modul / Version | #41169 / #1 |
|---|---|
| Gültigkeit | SoSe 2024 – WiSe 2024/25 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 9 |
| Modulverantwortliche*r | Montavon, Gregoire |
| Benotung | Unbenotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352000 FG Maschinelles Lernen |
Kontakt
| Sekretariat | MAR 4-1 |
|---|---|
| Ansprechpartner*in | Nakajima, Shinichi |
| E-Mail-Adresse | nakajima@tu-berlin.de |
| Webseite | https://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.
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
-> 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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Beginners Workshop Machine Learning | Projekt | Wintersemester | – | 6 | ISIS |
Arbeitsaufwand und Leistungspunkte
Beginners Workshop Machine Learning (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 8 h | 120 h |
| Vor-/Nachbereitung | 15 | 6 h | 90 h |
| Group Work | 4 | 10 h | 40 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.
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.
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
| Benotung | Unbenotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Gruppen Übung 1 | 25 | praktisch | 2-5 Seiten |
| Gruppen Übung 2 | 25 | praktisch | 2-5 Seiten |
| Gruppen Übung 3 | 25 | praktisch | 2-5 Seiten |
| Gruppen Übung 4 | 25 | praktisch | 2-5 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.
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