Die Wurzeln des Maschinenlernens lassen sich bis in die Anfangszeit der Computer zurückverfolgen. Erfolge stellten sich jedoch erst in den 1980er Jahren ein, mit der sog. Backpropagation in künstlichen neuronalen Netzen, in denen statistische Methoden eine wesentliche Rolle spielen (Stichwort Boltzmann-Maschine). Neben der enormen Leistungssteigerung der Computer in den vergangenen Jahrzehnten waren es einige algorithmische Meilensteine, die die neuronalen Netzwerke schließlich zum heutigen “deep learning” befähigten.
Die Vorlesung behandelt die algorithmischen und statistischen Grundlagen künstlicher neuronaler Netze sowie andere Aspekte von Maschinenlernen. Weiterhin sollen ausgewählte Anwendungen in der Physik, Wirtschaft und Industrie diskutiert werden.
Die Vorlesung (2 SWS) wird begleitet von Übungen in Form von Aufgaben bzw. kleineren Projekten (2 SWS), in denen auf Basis von Python3/JupyterLab und Bibliotheken unterschiedlicher “Komfortstufe” künstliche neuronale Netze programmiert, trainiert und analysiert werden.
Der Einschreibeschlüssel kann via E-Mail bei Fred.Hucht@uni-due.de oder Lothar.Brendel@uni-due.de erfragt werden.
The roots of machine learning can be traced back to the early days of computers. However, successes did not come until the 1980s, with the so-called backpropagation in artificial neural networks, in which statistical methods play an essential role (keyword Boltzmann machine). In addition to the enormous increase in the performance of computers in recent decades, it was some algorithmic milestones that finally enabled neural networks to today's deep learning.
The lecture covers the algorithmic and statistical basics of artificial neural networks as well as other aspects of machine learning. Furthermore, selected applications in physics, economics and industry are to be discussed.
The lecture (2 SWS) is accompanied by exercises in the form of tasks or smaller projects (2 SWS), in which artificial neural networks are programmed, trained and analyzed on the basis of Python3/JupyterLab and libraries of different "comfort levels".
The registration key can be requested via e-mail at Fred.Hucht@uni-due.de or Lothar.Brendel@uni-due.de.
Die Wurzeln des Maschinenlernens lassen sich bis in die Anfangszeit der Computer zurückverfolgen. Erfolge stellten sich jedoch erst in den 1980er Jahren ein, mit der sog. Backpropagation in künstlichen neuronalen Netzen, in denen statistische Methoden eine wesentliche Rolle spielen (Stichwort Boltzmann-Maschine). Neben der enormen Leistungssteigerung der Computer in den vergangenen Jahrzehnten waren es einige algorithmische Meilensteine, die die neuronalen Netzwerke schließlich zum heutigen “deep learning” befähigten.
Die Vorlesung behandelt die algorithmischen und statistischen Grundlagen künstlicher neuronaler Netze sowie andere Aspekte von Maschinenlernen. Weiterhin sollen ausgewählte Anwendungen in der Physik, Wirtschaft und Industrie diskutiert werden.
Die Vorlesung (2 SWS) wird begleitet von Übungen in Form von Aufgaben bzw. kleineren Projekten (2 SWS), in denen auf Basis von Python3/JupyterLab und Bibliotheken unterschiedlicher “Komfortstufe” künstliche neuronale Netze programmiert, trainiert und analysiert werden.
Aufgrund der aktuellen unerfreulichen Situation werden Vorlesung und Übung online abgehalten. Die genaue Ausgestaltung ist gerade in der Entwicklung, Neuigkeiten werden hier auf moodle mitgeteilt.
Der Einschreibeschlüssel kann via E-Mail bei Fred.Hucht@uni-due.de oder Lothar.Brendel@uni-due.de erfragt werden.
Die Wurzeln des Maschinenlernens lassen sich bis in die Anfangszeit der Computer zurückverfolgen. Erfolge stellten sich jedoch erst in den 1980er Jahren ein, mit der sog. Backpropagation in künstlichen neuronalen Netzen, in denen statistische Methoden eine wesentliche Rolle spielen (Stichwort Boltzmann-Maschine). Neben der enormen Leistungssteigerung der Computer in den vergangenen Jahrzehnten waren es einige algorithmische Meilensteine, die die neuronalen Netzwerke schließlich zum heutigen “deep learning” befähigten.
Die Vorlesung behandelt die algorithmischen und statistischen Grundlagen künstlicher neuronaler Netze sowie andere Aspekte von Maschinenlernen. Weiterhin sollen ausgewählte Anwendungen in der Physik, Wirtschaft und Industrie diskutiert werden.
Die Vorlesung (2 SWS) wird begleitet von Übungen in Form von Aufgaben bzw. kleineren Projekten (2 SWS), in denen auf Basis von Python3/JupyterLab und Bibliotheken unterschiedlicher “Komfortstufe” künstliche neuronale Netze programmiert, trainiert und analysiert werden.
Aufgrund der aktuellen unerfreulichen Situation werden Vorlesung und Übung online abgehalten. Die genaue Ausgestaltung ist gerade in der Entwicklung, Neuigkeiten werden hier auf moodle mitgeteilt.
Der Einschreibeschlüssel kann via E-Mail bei Fred.Hucht@uni-due.de oder Lothar.Brendel@uni-due.de erfragt werden.
Das Modul befasst sich mit zwei essentiellen Zugängen zur Behandlung von Nichtdifferenzierbarkeiten in Optimierungsproblemen. Zunächst wird die sogenannte Newton-Differenzierbarkeit theoretisch diskutiert, und praktisch zur Lösung von KKT-Systemen zu restringierten Aufgaben mit Ungleichungsnebenbedingungen mittels Newton-artigen Methoden verwendet. Im zweiten Teil der Vorlesung wird die Theorie von Mordukhovich zur verallgemeinerten Differenzierbarkeit besprochen. Diese kommt zur Konstruktion von Proximal-Gradienten-Verfahren für nichtglatte, nichtkonvexe, unrestringierte Optimierungsaufgaben zum Einsatz. Abschließend wird eine Erweiterung auf restringierte, nichtglatte Probleme besprochen.
Die Vorlesung gibt eine Einführung in das Gebiet der Optik, in dem die Wechselwirkung von Licht und Materie von der Lichtintensität abhängt. Grundlagen und ausgewählte Effekte der nichtlinearen Optik wie Frequenztransformation (Erzeugung der Harmonischen und Summefrequenzen), Selbstfokussieung, parametrische Lichtgeneration, induzierte Streuprozesse, Mehrphotonenprozesse werden betrachtet.
Diese Vorlesung ist vornehmlich für Studierende im Hauptstudium gedacht, die über Kenntnisse in der Elektrodynamik verfügen.
Auf Wunsch kann die Vorlesung auf Englisch angeboten werden.
If desired, the lecture can be held in English.
Die Vorlesung findet online via ZOOM statt.
Die Vorlesung gibt eine Einführung in das Gebiet der Optik, in dem die Wechselwirkung von Licht und Materie von der Lichtintensität abhängt. Grundlagen und ausgewählte Effekte der nichtlinearen Optik wie Frequenztransformation (Erzeugung der Harmonischen und Summefrequenzen), Selbstfokussieung, parametrische Lichtgeneration, induzierte Streuprozesse, Mehrphotonenprozesse werden betrachtet.
Diese Vorlesung ist vornehmlich für Studierende im Hauptstudium gedacht, die über Kenntnisse in der Elektrodynamik verfügen.
Auf Wunsch kann die Vorlesung auf Englisch angeboten werden.
If desired, the lecture can be held in English.
Bei Bedarf findet die Vorlesung online via ZOOM statt.
Die Vorlesung gibt eine Einführung in das Gebiet der Optik, in dem die Wechselwirkung von Licht und Materie von der Lichtintensität abhängt. Grundlagen und ausgewählte Effekte der nichtlinearen Optik wie Frequenztransformation (Erzeugung der Harmonischen und Summefrequenzen), Selbstfokussieung, parametrische Lichtgeneration, induzierte Streuprozesse, Mehrphotonenprozesse werden betrachtet.
Diese Vorlesung ist vornehmlich für Studierende im Hauptstudium gedacht, die über Kenntnisse in der Elektrodynamik verfügen.
Auf Wunsch kann die Vorlesung auf Englisch angeboten werden.
If desired, the lecture can be held in English.
Bei Bedarf findet die Vorlesung online via ZOOM statt.
Die Vorlesung gibt eine Einführung in das Gebiet der Optik, in dem die Wechselwirkung von Licht und Materie von der Lichtintensität abhängt. Grundlagen und ausgewählte Effekte der nichtlinearen Optik wie Frequenztransformation (Erzeugung der Harmonischen und Summefrequenzen), Selbstfokussieung, parametrische Lichtgeneration, induzierte Streuprozesse, Mehrphotonenprozesse werden betrachtet.
Diese Vorlesung ist vornehmlich für Studierende im Hauptstudium gedacht, die über Kenntnisse in der Elektrodynamik verfügen.
Auf Wunsch kann die Vorlesung auf Englisch angeboten werden.
If desired, the lecture can be held in English.
Die Vorlesung findet online via ZOOM statt.
Die Vorlesung gibt eine Einführung in das Gebiet der Optik, in dem die Wechselwirkung von Licht und Materie von der Lichtintensität abhängt. Grundlagen und ausgewählte Effekte der nichtlinearen Optik wie Frequenztransformation (Erzeugung der Harmonischen und Summefrequenzen), Selbstfokussieung, parametrische Lichtgeneration, induzierte Streuprozesse, Mehrphotonenprozesse werden betrachtet.
Diese Vorlesung ist vornehmlich für Studierende im Hauptstudium gedacht, die über Kenntnisse in der Elektrodynamik verfügen.
Auf Wunsch kann die Vorlesung auf Englisch angeboten werden.
If desired, the lecture can be held in English.
Die Vorlesung findet online via ZOOM statt.
