138.128 Machine Learning in Physics
Diese Lehrveranstaltung ist in allen zugeordneten Curricula Teil der STEOP.
Diese Lehrveranstaltung ist in mindestens einem zugeordneten Curriculum Teil der STEOP.

2022S, VU, 3.0h, 5.0EC
TUWEL

Merkmale

  • Semesterwochenstunden: 3.0
  • ECTS: 5.0
  • Typ: VU Vorlesung mit Übung
  • Format der Abhaltung: Hybrid

Lernergebnisse

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 für dessen Lösung zur Verfügung stehen,
  • einfache Algorithmen selbst auszuprogrammieren und, wenn nötig, auf geeignete Bibliotheken zuzugreifen, sowie schließlich
  • die Qualität des Lernerfolges der Maschine bewerten.

Inhalt der Lehrveranstaltung

Im Rahmen des Vorlesungsteils werden folgende Konzepte vorgestellt:

  1. Einfache Optimierungsprobleme, Gradientenabstieg
  2. Überwachtes Lernen, Über- bzw. Unteranpassung, Regularisierung
  3. Lineare Modelle, Singulärwertzerlegung
  4. Nichtlineare Modelle, Klassifizierung
  5. Künstliche Neuronale Netze
  6. Unüberwachtes Lernen, Clustering
  7. Niedrigrangzerlegungen, Hauptkomponentenanalyse

Im Übungsteil werden die vorgestellten Methoden auf Probleme aus der Physik angewandt, z.B.:

  • „Schärfen“ von Spektralfunktionen
  • Klassifikation von Teilchenkollisionen im LHC
  • Erkennen von magetischen Phasen im Ising-Model

Methoden

Die Lehrveranstaltung besteht aus ca. 12 Übungswochen, jede bestehend aus:

  • Vorlesung, in der die theoretischen Konzepte des maschinellen Lernens vorgestellt werden.  Wahlweise kann diese in Präsenz oder als Vorlesungsvideos im Umfang von ca. 75 Minuten gehört werden.
  • Programmierübung, in der die vermittelten Konzepte auf physikalische Probleme angewendet werden.  Übungsblätter können über eine JupyterHub-Plattform online gelöst und eingereicht werden.
  • Frage- und Diskussionseinheit, in der zum Vorlesungsstoff, sowie zur vorhergehenden und aktuellen Übung Fragen beantwortet werden sowie Probleme in Gruppen diskutiert werden können.

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

Prüfungsmodus

Prüfungsimmanent

Weitere Informationen

Institutsweite Vorbesprechung für Wahlpflichlehre: Dienstag, 01.03.2022, 16.00-18.00 Uhr, FH 8 Nöbauer HS

Da die epidemiologische Situation im Sommersemester noch nicht absehbar ist, muss der Modus evtl. geringfügig verändert werden.  Insbesondere:

  • allfällige Hybridtermine müssen evtl. vollständig durch Distanzlehre ersetzt werden
  • anstatt einer schriftlichen Prüfung steht am Semesterende evtl. eine mündliche Prüfung via Zoom

Es wird  mit Ausnahme der Prüfung  jedenfalls möglich sein, die Lehrveranstaltung im reinen Distanzmodus zu besuchen.

Vortragende Personen

Institut

LVA Termine

TagZeitDatumOrtBeschreibung
Mi.16:30 - 17:3002.03.2022 online: https://tuwien.zoom.us/j/98138889446 (LIVE)Vorbesprechung
Mi.16:30 - 18:0009.03.2022 - 29.06.2022 online: https://discord.gg/cRQUQkd9Qa (LIVE)Fragestunde
Fr.13:00 - 15:0011.03.2022 - 24.06.2022Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Di.16:00 - 18:0028.06.2022FH 8 Nöbauer HS - MATH Prüfung
Mi.16:00 - 18:0029.06.2022FH Hörsaal 4 Podiumsdiskussion
Do.16:00 - 18:0006.10.2022FH Hörsaal 7 - GEO Ersatztest
Machine Learning in Physics - Einzeltermine
TagDatumZeitOrtBeschreibung
Mi.02.03.202216:30 - 17:30 online: https://tuwien.zoom.us/j/98138889446Vorbesprechung
Mi.09.03.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde
Fr.11.03.202213:00 - 15:00Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Mi.16.03.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde
Fr.18.03.202213:00 - 15:00Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Mi.23.03.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde
Fr.25.03.202213:00 - 15:00Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Mi.30.03.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde
Fr.01.04.202213:00 - 15:00Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Mi.06.04.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde
Fr.08.04.202213:00 - 15:00Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Mi.27.04.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde
Fr.29.04.202213:00 - 15:00Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Mi.04.05.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde
Fr.06.05.202213:00 - 15:00Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Mi.11.05.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde
Fr.13.05.202213:00 - 15:00Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Mi.18.05.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde
Fr.20.05.202213:00 - 15:00Hörsaal 6 - RPL 138.128 VU Machine Learning in Physics
Mi.25.05.202216:30 - 18:00 online: https://discord.gg/cRQUQkd9QaFragestunde

Leistungsnachweis

Die Beurteilung erfolgt aufgrund von:

  1. wöchentlichen Programmierübungen, bei der die erlernten ML-Konzepte auf einfache Probleme angewandt werden. Jedes Übungblatt ist dabei gleich viel wert (70% der Note). 
  2. einer kurzen schriftlichen Prüfung am Semesterende, bei der das Verständnis der Konzepte abgefragt wird (30% der Note).

Die Anwesenheit in den wöchentlichen Diskussionseinheiten ist dringend empfohlen, aber nicht verpflichtend.

Notenschema:  Genügend über 50%, Befriedigend ab 65%, Gut ab 80%, Sehr gut ab 91% der Punkte.  Keine Mindestpunkteanzahl für Teile der LVA.

Neben der schriftliche Prüfung wird eine Ersatzprüfung angeboten. Bei Teilnahme ersetzt das Ergebnis der Ersatzprüfung das Ergebnis der Prüfung.

LVA-Anmeldung

Von Bis Abmeldung bis
22.02.2022 10:30 06.03.2022 23:00 06.03.2022 23:00

Curricula

Literatur

Vertiefende Literatur:

Vorkenntnisse

  • Lineare Algebra: Vektorräume, Inneres Produkt, Matrizenmultiplikation, Lineare Gleichungssysteme, Vektor- und Matrixnorm, Eigenwerte, Spektraldarstellung
  • Programmierkenntnisse: Grundlegende Programmierparadigmen, Schleifen, Ein-/Ausgabe, Funktionen, Felder
  • (Empfohlen: Quantentheorie)

Vorausgehende Lehrveranstaltungen

Sprache

Englisch