Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage mit dem „Werkzeug“ Maschinellem Lernen umzugehen und dieses auf Probleme aus der Physik anzuwenden.

Für ein gegebenes Problem aus der Physik können sie

• entscheiden, ob und warum es sich zur Behandlung durch Maschinelles Lernen eignet,
• es in ein geeignetes Optimierungsproblem übersetzen,
• abwägen, welche Lernalgorithmen sich grundlegend für dessen Lösung eignen.
• einfache Algorithmen selbst auszuprogrammieren und, wenn nötig, auf geeignete Bibliotheken zuzugreifen,
• sowie schließlich die Qualität des Lernerfolges der Maschine zu bewerten.

Im Rahmen der VU werden folgende Themen sowohl theoretisch als auch anhand von konkreten Problemstellungen besprochen:

1. Einfache Optimierungsprobleme
2. Lineare Regressionsanalyse, Über-/Unteranpassung, Regularisierung
3. „Die wissenschaftliche Methode für Maschinen“
4. Featureklassifizierung, Matrixvervollständig
5. Nichtlinearität, Künstliche Neuronale Netze

Die Lehrveranstaltung wird in Englisch abgehalten.

Im Rahmen der VU werden Konzepte des Machine Learnings und deren Anwendungen in der Physik erarbeitet und in Computer-Übungen vertieft.

Die VU beginnt mit einer Kurzeinführung in die Programmiersprache Python, die dann zur Lösung verwendet wird.

Die Beurteilung erfolgt aufgrund von:

1. wöchentlichen Programmierübungen, bei der die erlernten ML-Konzepte auf einfache Probleme angewandt werden (70% der Note),
2. einer kurzen mündlichen Prüfung am Semesterende, bei der das Verständnis der Konzepte abgefragt wird (30% der Note)

Vertiefende Literatur:

• M. P. Deisenroth, A. A. Faisal, and Cheng Soon Ong: Mathematics for Machine Learning, Cambridge University Press (2020)
• P. Mehta et. al: A high-bias, low-variance introduction to Machine Learning for physicists, Phys. Rep. 810, 1-124 (2019)
• G. James, D. Witten, T. Hastie and R. Tibshirani: An Introduction to Statistical Learning, Springer (2010)

• Lineare Algebra
• Programmierkenntnisse
• (Empfohlen: Quantentheorie)