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.

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
8. Bestärkendes Lernen, Q-Lernen

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

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.

Allgmeine Vorbesprechung für Wahlpflicht-LVAs des Instituts:  Dienstag, 7. März 2023, 13:00-14:00, FH HS6

Die Beurteilung erfolgt aufgrund:

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

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

Notenschema:  Genügend über die Hälfte, Befriedigend ab zwei Drittel, Gut ab vier Fünftel, Sehr gut ab neun Zehntel der Punkte.  Keine Mindestpunkteanzahl für Teile der LVA.

Es wird ein Ersatztest für den schriftlichen Test angeboten.  Bei Teilnahme ersetzt dessen Ergebnis das Ergebnis des Tests.

Vertiefende Literatur:

• M. P. Deisenroth, A. A. Faisal, and Cheng Soon Ong: Mathematics for Machine Learning, Cambridge University Press (2020)
• T. Hastie, R. Tibshirani, and J. Friedman: Elements of Statistical Learning, 2nd edition, Springer (2017).
• 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)
• P. C. Hansen: Discrete Inverse Problems, SIAM (2010)

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