Einführung in neuronale Netzwerke für Studierende der Physik
Introduction to Neuronal Networks for Physicists

1. Grundlegende Methoden der wissenschaftlichen Programmierung
   • Datenstrukturen
   • Fitten von Datenpunkten
   • LU-Zerlegung von Matrizen
   • Algorithmen zur Lösung von PDEs
2. Neuronale Netze
   • Grundlagen: Von Perzeptronen zu Sigmoiden Neuronen
   • Beispiel: Klassifikation von Punkten in der Ebene mit 4 Neuronen
   • Backpropagation / Trainieren von neuronalen Netzen
   • Beispiel: Erkennung Handgeschriebener Ziffern (MNIST)
   • Erweiterungen: Convolutional Neural Networks etc.
3. Projektarbeit
   • Wahl eines Projekts (siehe Moodle)
   • Bearbeitung des Projekts unter Anleitung der Tutoren
   • Präsentation der Ergebnisse

Nach der erfolgreichen Teilnahme an dem Modul sind die Studierenden in der Lage

• Grundlegende numerische Algorithmen zu verstehen und anzuwenden
• Die Funktionsweise von neuronalen Netzen zu verstehen
• Einzuschätzen, ob ein gegebenes Problem sich für einen Zugang mit Hilfe von neuronalen Netzen eignet
• Einfache Neuronale Netze ohne Zuhilfenahme von Bibliotheken zu programmieren
• Komplexe Neuronale Netze mit Hilfe von einschlägigen Tools zu erstellen, zu trainieren und zu verwenden

Grundlegende Programmierkenntnisse werden empfohlen.

Das Modul besteht aus einer Vorlesung und einer Übung.

In der Vorlesung werden die Lerninhalte zunächst theoretisch auf einer elektronischen Tafel erläutert (der Anschrieb kann jeweils direkt nach der Vorlesung als PDF von der Webseite der Vorlesung heruntergeladen werden) und dann in Python oder mit Hilfe des Computeralgebrasystems Mathematica praktisch vorgeführt.

Übungsblätter, die häufig die Reproduktion der Ergebnisse aus der Vorlesung einschliessen, werden zunächst individuell bearbeitet und dann in der Übung (Gruppenübung) diskutiert.

Anschrieb auf dem elektronischen Whiteboard, Demonstrationen in Mathematica, Python und Keras/Tensorflow;

Übungsblätter. Begleitende Webseite: https://www.moodle.tum.de/course/view.php?id=79979

• Michael A. Nielsen, "Neural Networks and Deep Learning", Determination Press 2015, http://neuralnetworksanddeeplearning.com/
• David MacKay, "Information Theory, Inference, and Learning Algorithms", Cambridge Univ. press 2003, http://www.inference.org.uk/mackay/itila/book.html

Das Erreichen der im Abschnitt Lernergebnisse dargestellten Kompetenzen mindestens in der dort angegebenen Erkenntnisstufe wird exemplarisch durch eine von den Studierenden selbständig zu erarbeitende Abschlusspräsentation überprüft. Die Leistung der Studierenden wird an Hand der Präsentation und einer anschließenden Diskussion bewertet. Die Prüfung hat eine Dauer von insgesamt 25 Minuten.

Bewertungskriterien sind insbesondere:

• Anschauliche und klare Präsentation eines aktuellen Forschungsthemas im Rahmen eines wissenschaftlichen Vortrags
• Beantwortung von Fragen zum wissenschaftlichen Inhalt des Vortrags

Die Teilnahme am Übungsbetrieb wird dringend empfohlen, da die Übungsaufgaben auf die in der Modulprüfung abgefragten Problemstellungen vorbereiten und somit die spezifischen Kompetenzen eingeübt werden.