Machine Learning Primer

Aktuelle Infos und Material sind auf der Kurs Webseite

https://itp.uni-frankfurt.de/~gros/Vorlesungen/ML/index.html

Anmeldung

Diese Vorlesung kann entweder als Wahlpflichtfach mit 8 CP belegt werden, oder als Teil des Forschungs- und Laborpraktikums. In diesem Fall werden 6 CP angerechnet.

• Als Teil des Forschungs- und Laborpraktikums ist eine Anmeldung über die entsprechende Webseite verpflichtend. Zusätzlich müssen Sie sich in diesem OLAT Kurs einschreiben.
• Die Anmeldung als Wahlpflichtfach erfolgt durch Einschreibung in diesen Kurs.

Im Rahmen des Forschungs- und Laborpraktikums kann diese Vorlesung sowohl im Bachelor-, als aus im Master-Studium gewählt werden, insgesamt aber nur ein Mal.

Inhalt und Termine

Es wird eine Einführung in die Methoden und Konzepte des modernen Maschinellen Lernens (ML) angeboten.

• vorläufiges Inhaltsverzeichnis

Ein wesentlicher Schwerpunkt liegt auf der praktischen Umsetzung.

• Python dominiert Coding in ML. Daher wird es eine kompakte Einführung in Python und PyTorch geben.
• Programmieren von Konzepten und Anwendungen wird ein zentraler Bestandteil der Übungen sein. Idem für die Semesterprojekte.

Die Vorlesung findet dienstags und freitags von 10 bis 12 Uhr in Phys __.401 statt. Die Termine für die Tutorien entnehmen Sie diesem OLAT Kurs.

Aufbau / Struktur

Zu den einzelnen Komponenten der Vorlesung.

• (Aktiv-) Vorlesung
  Es wird erwartet, dass sich die Studierenden melden, diskutieren und aktiv an ihrem Laptop mitarbeiten.
  • z.B., um Program-Beispiele der Vorlesung herunterzuladen und auszuprobieren.
  • Oder um KI-Themen nachzuschlagen und mit anderen zu besprechen.
  • Falls leise, sind fach-bezogene Unterhaltungen erwünscht.
  • Neuigkeiten aus der Welt der KI können jederzeit vorgestellt werden.
  Passive Teilnehmer werden gebeten, sich nach hinten zu setzen.
• Vorlesungs-Quiz
  Ein einfaches Quiz, welches instantan von einem LLM ausgewertet wird. Es dient der eigenen Rückmeldung.
• Übungen
  Die Übungsblätter dienen primär der Entwicklung von KI-Kompetenzen. Sekundär können klassische Programmier- oder ML-Aufgaben gestellt werden.
  • Übungsblätter werden nicht abgegeben, korrigiert oder vom Tutor besprochen.
  • Es obliegt den Studierenden, sich in den Tutorien zu melden und Ergebnisse vorzustellen; oder nachzufragen.
• Gruppen-Themen
  Diese sind der zentrale Teil der Tutorien.
  • Themen sind entweder fachbezogen, oder für KI-Kompetenzen relevant.
  • Die Themen werden in den Tutorien typischerweise für 20-30 min in Gruppen bearbeitet, die Ergebnisse mit allen diskutiert.
  • Falls erwünscht oder notwendig, können Themen wiederholt aufgegriffen werden.
  • Vorschläge seitens der Studierenden sind ausdrücklich erwünscht.
• Semester-Projekte
  Einzelwissen zu einem eigenständigen Projekt zusammenfügen.

Leistungsüberprüfung

• Es wird vier Semesterprojekte geben. Typischerweise sind diese diese innerhalb von drei Wochen zu bearbeiten und einzureichen.
• Bei der Besprechung muss jeder aus der abgebenden Gruppe anwesend und in der Lage sein, das Projekt zu erklären.
• Übungen sind nicht abzugeben.
• Pflicht
  Für den Schein gelten die folgende Bedingungen:
  
  • Präsenz ✓
  • alle 4 Semesterprojekte, oder
    3 Semesterprojekte plus 50% vom Vorlesungsquiz.
  • Abschlussprüfung:
    
    • Prüfungsstoff:
      -- Vorlesung (mündlich/schriftlich); Übungszettel
      -- Programmieren / ML / KI-Kompetenzen
    • für unbenotete Scheine genügt es, zu bestehen