Angewandte Multi-Messenger-Astronomie 2 (Statistische und Machine-Learning-Methoden in Teilchen- und Astrophysik)
Applied Multi-Messenger Astronomy 2 (Statistical and Machine Learning Methods in Particle and Astrophysics)

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

• die Grundlagen der Multi-Messenger Astronomie zu verstehen
• den Inhalt von wiss. Veröffentlichungen in diesem Gebiet zu verstehen und einzuordnen
• das Konzept von Likelihiood und chi2 Fits zu verstehen und diese praktisch anzuwenden
• das Konzept von Minimierungsalgorithmen wie Minuit zu verstehen und diese praktisch anzuwenden
• das Konzept von Markov-Chain Monte Carlo Sampling zu verstehen und in der Praxis anzuwenden
• die Grundlagen von Machine Learning zu verstehen und anzuwenden
• Bayessche Statistik zu verstehen und anzuwenden
• Eigenständig wissenschaftliche Daten auszuwerten

Keine Vorkenntnisse nötig, die über die Zulassungsvoraussetzungen zum Masterstudium hinausgehen.

This second part of the course continues the introduction of statistical methods and machine learning techniques. These basic concepts are then linked to actual examples from multi-messenger astronomy. In the last part of the lecture one or two special topics selected by the students can be explored in more depth.

In the exercise, the students get the chance to apply the taught concepts and methods to examples from multi-messenger astronomy, including analyses with real publically available data. The exercises are designed for and will be finally presented in Python. The students are provided with a virtual Linux machine that has all the required software pre-installed.

PowerPoint presentations (recordings also available to students), live coding, text books, complementary literature

• T.K. Gaisser, R. Engel & E. Resoni: Cosmic Rays and Particle Physics, Cambridge University Press, (2016)
• M.A. Wood: Python and Matplotlib Essentials for Scientists and Engineers, Morgan & Claypool, (2015)
• G. Cowan: Statistical Data Analysis, Oxford Science Publications, (1998)

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.

Prüfungsaufgabe könnte beispielsweise sein:

• Likelihood Berechnung
• Qualitative Beschreibung möglicher Quellen von Astro-Teilchen
• Einfaches Beispiel einer Machine Learning Anwendung