mar768 - Statistische Analyse (Veranstaltungsübersicht)

mar768 - Statistische Analyse (Veranstaltungsübersicht)

Institut für Chemie und Biologie des Meeres (ICBM) 6 KP
Modulteile Semesterveranstaltungen Wintersemester 2022/2023 Prüfungsleistung
Vorlesung
  • Kein Zugang 2.01.597 - Practical Deep Learning in PyTorch Lehrende anzeigen
    • Prof. Dr. Nils Strodthoff
    • Tiezhi Wang
    • Juan Lopez Alcaraz

    Dienstag: 14:15 - 15:45, wöchentlich (ab 18.10.2022), V, Ort: V03 3-A324, V03 0-M017, (V03 00 M030 (A))
    Mittwoch: 16:15 - 17:45, wöchentlich (ab 19.10.2022), Übung, Ort: A02 2-239
    Freitag: 10:15 - 11:45, wöchentlich (ab 21.10.2022), Ort: V03 3-A324, A01 0-004, (V03 00 M030 (A))
    Termine am Donnerstag, 16.02.2023 11:30 - 13:30, Dienstag, 04.04.2023 09:30 - 11:30, Ort: A14 1-103 (Hörsaal 3), A01 0-004
    This lecture will provide a general introduction to modern deep learning methods with a particular emphasis on practical applicability. At the same time, the course will provide an introduction to the popular PyTorch Deep Learning framework while requiring only basic programming skills in Python. The course will cover a range of common machine learning tasks across different data modalities ranging from tabular data over Computer Vision (image classification, image segmentation) to time series and natural language processing. It will cover the most important model architectures in these domains ranging from convolutional neural networks over recurrent neural networks to transformers. The lecture will be accompanied by a tutorial class where students are supposed to acquire hands-on experience in working with PyTorch and are supposed to acquire the skills to apply Deep Learning methods in their respective fields of study.
Seminar
Übung
  • Kein Zugang 2.01.597 - Practical Deep Learning in PyTorch Lehrende anzeigen
    • Prof. Dr. Nils Strodthoff
    • Tiezhi Wang
    • Juan Lopez Alcaraz

    Dienstag: 14:15 - 15:45, wöchentlich (ab 18.10.2022), V, Ort: V03 3-A324, V03 0-M017, (V03 00 M030 (A))
    Mittwoch: 16:15 - 17:45, wöchentlich (ab 19.10.2022), Übung, Ort: A02 2-239
    Freitag: 10:15 - 11:45, wöchentlich (ab 21.10.2022), Ort: V03 3-A324, A01 0-004, (V03 00 M030 (A))
    Termine am Donnerstag, 16.02.2023 11:30 - 13:30, Dienstag, 04.04.2023 09:30 - 11:30, Ort: A14 1-103 (Hörsaal 3), A01 0-004
    This lecture will provide a general introduction to modern deep learning methods with a particular emphasis on practical applicability. At the same time, the course will provide an introduction to the popular PyTorch Deep Learning framework while requiring only basic programming skills in Python. The course will cover a range of common machine learning tasks across different data modalities ranging from tabular data over Computer Vision (image classification, image segmentation) to time series and natural language processing. It will cover the most important model architectures in these domains ranging from convolutional neural networks over recurrent neural networks to transformers. The lecture will be accompanied by a tutorial class where students are supposed to acquire hands-on experience in working with PyTorch and are supposed to acquire the skills to apply Deep Learning methods in their respective fields of study.
  • Kein Zugang 5.03.101 - Analyse landschaftsökologischer Daten Lehrende anzeigen
    • Dr. rer. nat. Janek Greskowiak
    • Dr. Cord Peppler-Lisbach

    Montag: 14:15 - 17:30, wöchentlich (ab 17.10.2022)
    Dienstag: 14:15 - 17:30, wöchentlich (ab 18.10.2022)
    Mittwoch: 08:15 - 11:30, wöchentlich (ab 26.10.2022)
    Termine am Mittwoch, 19.10.2022 08:15 - 09:45, Mittwoch, 19.10.2022 10:15 - 11:30, Montag, 24.10.2022 14:15 - 15:45, Montag, 24.10.2022 ...(mehr)
Hinweise zum Modul
Prüfungszeiten

Klausur am Ende der Veranstaltungszeit oder alle anderen möglichen Prüfungsleistungen nach Maßgabe der Dozentin oder des Dozenten
Prüfungsleistung Modul

1 benotete Prüfungsleistung
Klausur oder fachpraktische Übung (testierte Übungsaufgaben) oder mündliche Prüfung oder Referat oder Hausarbeit oder Seminararbeit

Aktive Teilnahme
Aktive Teilnahme umfasst z.B. die regelmäßige Abgabe von Übungen, Anfertigung von Lösungen zu Übungsaufgaben, die Protokollierung der jeweils durchgeführten Versuche bzw. der praktischen Arbeiten, die Diskussion von Seminarbeiträgen oder Darstellungen von Aufgaben bzw. Inhalten in der Lehrveranstaltung in Form von Kurzberichten oder Kurzreferat. Die Festlegung hierzu erfolgt durch den Lehrenden zu Beginn des Semesters bzw. zu Beginn der Veranstaltung.
Kompetenzziele
Die Studierenden besitzen erweiterte Kenntnisse über Analyse- und Modellierungsmethoden von Umweltdaten.