Machine Learning: Methods and Tools

Vortragende/r (Mitwirkende/r)
Nummer0000003425
Art
Umfang4 SWS
SemesterWintersemester 2020/21
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

In WS 2020/21 the course is planned to be presented online and asynchronous, i.e., download times of videos are at the discretion of participants. The exam is planned to be in written form and in physical presence (no warranty). **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


Vollständiges Lehrangebot

Bachelorbereich: BSc-EI, MSE, BSEEIT

 

WS

SS

Diskrete Mathematik für Ingenieure (BSEI, EI00460)

Discrete Mathematics for Engineers (BSEEIT) (Schlichtmann) (Januar)

 

O/P

WS

SS

Entwurf digitaler Systeme mit VHDL u. System C (BSEI, EI0690) (Ecker)

WS 20/21 block course after lecture period

O/O

 

SS

Entwurfsverfahren für integrierte Schaltungen (MSE, EI43811) (Schlichtmann)

--

WS

 

Methoden der Unternehmensführung (BSEI, EI0481) (Weigel)

--

WS

 

Praktikum System- und Schaltungstechnik (BSEI, EI0664) (Schlichtmann et al.)

--

 

SS

Schaltungssimulation (BSEI, EI06691) (Gräb/Schlichtmann)

O/O

 

Masterbereich: MSc-EI, MSCE, ICD

 

SS

Advanced Topics in Communication Electronics (MSCE, MSEI, EI79002)

?

WS

 

Aspects of Integrated Systems Technology & Design (MSCE, MSEI, EI5013) (Wurth)

--

WS

 

Electronic Design Automation (MSCE, MSEI, EI70610) (B. Li, Tseng)

--

WS

 

Design Methodology and Automation (ICD) (Schlichtmann) (Nov)

--

WS

SS

Machine Learning: Methods and Tools (MSCE, MSEI, EI71040) (Ecker)

O/O

WS

SS

SS

Mathematical Methods of Circuit Design (MSCE, MSEI, EI74042) (Gräb)

Simulation and Optimization of Analog Circuits (ICD) (Gräb) (Mai)

O/O

O/P

WS

 

Mixed Integer Programming and Graph Algorithms in Engineering Problems (MSCE, MSEI, EI71059) (Tseng)

--

WS

SS

Numerische Methoden der Elektrotechnik (MSEI, EI70440) (Schlichtmann oder Gräb)

O/P

WS

WS

SS

Seminar VLSI-Entwurfsverfahren (MSEI, EI7750) (Schlichtmann/Müller-Gritschneder)

Seminar on Topics in Electronic Design Automation (MSCE, EI77502) (Schlichtmann/Müller-Gritschneder)

O

WS

SS

Synthesis of Digital Systems (MSCE, MSEI, EI70640) (Müller-Gritschneder)

O/P

WS

 

Testing Digital Circuits (MSCE, MSEI, EI50141) (Otterstedt)

--

WS

 

Timing of Digital Circuits (MSCE, MSEI, EI70550) (B. Li, Zhang)

--

WS

SS

VHDL System Design Laboratory (MSCE, MSEI, EI7403) (Schlichtmann)

O/O

 

Die Spalte ganz rechts bezeichnet die Form der Vorlesung/Prüfung im SS 2021. O=online, P=physische Präsenz

The column on the very right denotes the type of course/exam in SS 2021. O=online, P=physical presence

 

MSE: Munich School of Engineering (TUM)

BSEEIT: Bachelor in Electrical Engineering and Information Technology (TUM-Asia)

ICD: Master of Science in Integrated Circuit Design (TUM-Asia)

MSCE: Master of Science in Communications Engineering (TUM)

MSEI: Master of Science in Elektrotechnik und Informationstechnik

BSEI: Bachelor of Science in Elektrotechnik und Informationstechnik

 

Aktuelle Infos zur Lehre/Current information on teaching: https://www.tum.de/die-tum/aktuelles/coronavirus/studium/, www.ei.tum.de