Liebe Studierende,

wir bemühen uns, das Lehrangebot des Lehrstuhls für Entwurfsautomatisierung für das Sommersemester 2020 trotz der aktuellen Einschränkungen weitgehend aufrecht zu erhalten. Nach momentaner Planung gehen wir davon aus, mit einer Ausnahme alle Lehrveranstaltungen anbieten zu können, ob nun Präsenz an der TUM möglich sein wird oder nicht. Sofern Präsenz nicht möglich ist, werden die Lehrveranstaltungen natürlich anders durchgeführt werden als üblicherweise, inhaltlich bedeutet dies jedoch keine Einschränkungen.

Die oben erwähnte Ausnahme ist das „VLSI Design Lab“ – dieses Praktikum können wir nur anbieten, sofern Präsenz an der TUM möglich ist. Sollte Präsenz zu Vorlesungsbeginn am 20.04.2020 nicht möglich sein, im Verlaufe der Vorlesungszeit aber wieder möglich werden, werden wir uns dann darum bemühen, dieses Praktikum noch anbieten zu können. Aber wir können dies aktuell nicht garantieren.

Bitte informieren Sie sich auch regelmäßig unter https://www.tum.de/die-tum/aktuelles/coronavirus/studium/ sowie ggf. die Website der Fakultät www.ei.tum.de über aktuelle Informationen zur Lehre.

 

Bleiben Sie gesund!

 

Ihr Team des Lehrstuhls für Entwurfsautomatisierung der TUM.


Machine Learning: Methods and Tools

Vortragende/r (Mitwirkende/r)
Nummer0000003425
Art
Umfang4 SWS
SemesterWintersemester 2019/20
UnterrichtsspracheEnglisch
Stellung in StudienplänenSiehe TUMonline

Termine

Teilnahmekriterien

Lernziele

Nach der Teilnahme an den Modulveranstaltungen kennt und beherrscht der Studierende in differenzierter Weise grundlegende Methoden und Algorithmen des Maschinellen Lernens. Er/sie ist in der Lage diese im Ingenieursalltag bei Entwurfsaufgaben der Mikroelektronik anzuwenden. Darüber hinaus ist er/sie in der Lage, sich in weitere Spezialgebiete des Maschinellen Lernens einzuarbeiten. Er/sie kennt die Einbettung des Maschinellen Lernens in die digitale Transformation und ist sich der gesellschaftlichen Chancen und Risiken bewusst.

Beschreibung

**Vorlesung, Übung und Praktikum** Digitale Transformation und Maschinelles Lernen; Python, Standardbibliotheken, SciPY und NumPy; Theorie des Maschinellen Lernens, Regularisierung, Fehler und Rauschen; Datenanalyse, Pre-Processing, Visualisierung: Einführung in Algorithmen des Maschinellen Lernens; Einführung in vorwärtsgekoppelte Neuronale Netze und faltende neuronale Netze, RNNs, LSTM; Trainieren von neuronalen Netzen, Aufmerksamkeitsmodelle, unbeaufsichtiges Lernen, bestärkendes Lernen, Hyperparameter-Optimierung;

Inhaltliche Voraussetzungen

Kenntnisse in Linearer Algebra, Analysis und Statistik, Kenntnisse einer Programmiersprache z.B. C, C++, Java

Lehr- und Lernmethoden

Vorlesung und Übung sind als interaktiver Frontalunterricht gestaltet. Durch Projektion von Folien und Tafelanschrieb werden in der Vorlesung die zu lehrenden Algorithmen Schritt für Schritt und unter Beteiligung der Lernenden entwickelt. In der Übung findet Arbeitsunterricht durch Vorrechnen und gemeinsames Rechnen von Aufgaben statt. Dabei werden Algorithmen beispielhaft und wiederholt eingesetzt. Die Studierenden bereiten sich auf Vorlesung und Übung durch Studium der Unterlagen vor und bereiten durch Selbststudium den durchgenommenen Stoff nach. Eigene Literaturrecherchen sind Teil des Selbststudiums. In einem Praktikumsteil werden den Studierenden praktische Probleme aus dem Bereich der Mikroelektronik zur selbständigen Lösung gestellt. Die gestellten Aufgaben umfassen praxisrelevante Anwendungen des Maschinellen Lernens beim automatischen Entwurf integrierter Schaltungen und Systeme.

Studien-, Prüfungsleistung

Die Prüfung ist schriftlich und dauert 60 Minuten. Unterlagen sind nicht zugelassen. Es wird das Verständnis und Wissen auf dem Gebiet des maschinellen Lernens geprüft. Weiterhin wird anhand von Handrechnungsaufgaben sowie von Aufgaben aus dem vorlesungsbegleitenden Praktikum die Fähigkeit abgeprüft, Methoden des maschinellen Lernens zur Formulierung und Lösung von Entwurfsproblemen der Mikroelektronik einzusetzen. Schließlich wird anhand von Hintergrundfragen die Fähigkeit zum Lösen weiterer Ingenieuraufgaben mittels maschinellem Lernen geprüft.

Empfohlene Literatur

Maschinelles Lernen - Grundlagen und Algorithmen in Python, Frochte J., Hanser Fachbuch * Einführung in Python 3, Klein B., Hanser Fachbuch. * Learning from Data, Abu-Mostafa, Yaser S. et al., AMLBook 2012. * Deep Learning, Goodfellow, Ian et al, The MIT Press 2016. * Machine learning: A probabilistic perspective, Murphy, Kevin P., The MIT Press 2013

Links