Seminar: Maschinelles Lernen in Theorie und Praxis - Details

Seminar: Maschinelles Lernen in Theorie und Praxis - Details

You are not logged into Stud.IP.

General information

Course name Seminar: Maschinelles Lernen in Theorie und Praxis
Subtitle Bachelor und Master
Course number MTH-4130 MTH-1350 MTH-2090
Semester SS 2025
Current number of participants 9
Home institute High-Performance Scientific Computing
Courses type Seminar in category Teaching
Pre-requisites - erste Progammierkenntnisse und die Motivation, eine Programmiersprache (Python) selbstständig zu erlernen
- Englischkenntnisse für das Verständnis wissenschaftlicher Texte
- Analysis I, Lineare Algebra I
Veranstaltung findet in Präsenz statt / hat Präsenz-Bestandteile Yes
Veranstaltung findet online statt / hat Remote-Bestandteile Yes
Hauptunterrichtssprache deutsch
ECTS points 6

Rooms and times

No room preference

Fields of study

Module assignments

Comment/Description

***
Die Vorbesprechung findet am Freitag, 7. Februar 2025, 11:30 Uhr via Zoom statt (Link s.u.). Bei einem Terminkonflikt können Sie trotzdem teilnehmen: Bitte melden Sie sich in diesem Fall möglichst vor der Vorbesprechung per E-Mail beim Dozenten zwecks Anmeldung und Themenvergabe.

Zoom-Link: https://uni-augsburg.zoom-x.de/j/63465506909?pwd=08pdXgTr9x02Sy90M7ldSs0xnZv4aa.1
***


Das Thema maschinelles Lernen ist seit einigen Jahren nicht nur in der Wissenschaft ein Begriff, sondern spielt eine zunehmend wichtige Rolle in Wirtschaft und Gesellschaft. Insbesondere künstliche neuronale Netze kommen heute im Rahmen des Deep Learning in vielen Bereichen zum Einsatz. Sie sind z.B. ein Teil der Transformer-Modelle, welche die Basis von ChatGPT & Co. bilden. In diesem Seminar werden wir die Grundlagen des maschinellen Lernens sowohl theoretisch erarbeiten als auch praktisch in Form eines selbst programmierten neuronalen Netzes umsetzen.

Der inhaltliche Fokus des praxisorientierten Seminars wird dabei auf den künstlichen neuronalen Netzen und verwandten Techniken liegen. Unser Ziel ist es, die fundamentalen Bausteine von neuronalen Netzwerken zu verstehen, verschiedene Aspekte bei der Konzeption von Netzen kennenzulernen und sich der Herausforderungen beim Training bewusst zu werden. Es werden aber auch andere Verfahren wie Reinforcement Learning oder Transformer vorgestellt, sowie aktuelle Aspekte aus Forschung und Anwendung diskutiert.

Für ein tieferes Verständnis der Zusammenhänge werden Sie ein eigenes künstliches neuronales Netz von Grund auf selbst programmieren. Als Programmiersprache werden wir Python verwenden, das derzeit die wohl wichtigste Sprache in den Bereichen Data Science und maschinelles Lernen darstellt. Für das Programmierprojekt und den Vortrag werden Sie sich in Teams jeweils zu zweit zusammenschließen.

Aufbau
- Einführung: Zu Beginn gibt es zunächst einen kleinen Überblick des Dozenten über das gesamte Seminar. Dabei besprechen wir u.a. das Erstellen von wissenschaftlichen Vorträgen mit LaTeX/Beamer und es gibt eine kurze Einführung in die Programmierung mit Python.
- Programmierprojekte: Sie werden selbst ein tiefes neuronales Netzwerk in Python implementieren und es anschließend trainieren. Dazu wird es regelmäßig die Möglichkeit geben, zu den Projekten Fragen zu stellen und sich mit den anderen über Schwierigkeiten bei der Implementierung auszutauschen. Am Ende des Semesters stellen Sie Ergebnisse aus den Projekten im Rahmen Ihrer Vorträge vor.
- Vorträge: Anfang Juli finden die Vorträge der Seminarteilnehmenden an ein bis zwei Tagen statt (Blockseminar).

Themengebiete
- Grundlagen des maschinellen Lernens
- Aufbau künstlicher neuronaler Netze
- Lernen mit Gradientenverfahren und Backpropagation
- Convolutional/Recurrent Neural Networks
- Deep Generative Models
- Reinforcement Learning
- Transformer und Large Language Models
- Ethische Aspekte, praktische Methoden und Anwendungen

Voraussetzungen
- erste Progammierkenntnisse und die Motivation, eine Programmiersprache (Python) selbstständig zu erlernen
- Englischkenntnisse für das Verständnis wissenschaftlicher Texte
- Analysis I, Lineare Algebra I

Lernmaterial Python
Dies ist eine nicht abschließende Liste an Lernmaterial, um sich Python im Selbststudium anzueignen.
- Kostenloses Buch: A. B. Downey, Think Python 3rd Edition (https://greenteapress.com/wp/think-python-3rd-edition/)
- Interaktives Tutorial: Learn Python (https://www.learnpython.org)
- Übersicht über Lernmaterialien für Programmierneulinge: Python for Non-Programmers (https://wiki.python.org/moin/BeginnersGuide/NonProgrammers)