de | en

Introduction to Neuronal Networks for Physicists

Module PH0101

This module handbook serves to describe contents, learning outcome, methods and examination type as well as linking to current dates for courses and module examination in the respective sections.

Basic Information

PH0101 is a semester module in German language at Bachelor’s level which is offered in winter semester.

This module description is valid from WS 2020/1 .

If not stated otherwise for export to a non-physics program the student workload is given in the following table.

Total workloadContact hoursCredits (ECTS)
150 h 60 h 5 CP

Responsible coordinator of the module PH0101 is the Dean of Studies at Physics Department.

Content, Learning Outcome and Preconditions

Content

  • Neuronale Netze: Von Perzeptronen zu Sigmoiden Neuronen
  • Backpropagation / Trainieren von neuronalen Netzen
  • Einfache Beispiele:
    • Klassifikation von Punkten in der Ebene mit 4 Neuronen
    • Erkennung Handgeschriebener Ziffern
  • Convolutional Neural Networks
  • Physikalische Anwendungen:
    • Jet Substructure at the Large Hadron Collider (Larkoski, Moult, Nachmann, arXiv 1709.04464 [hep-ph])
    • Jet-images - deep learning edition (Olivieria, Kagan, Mackey, Nachmann, Schwartzman, 1511.05190 [hep-ph])
    • Beispiele aus Festkörperphysik/Biophysik
  • Professionelle System: Tensorflow & Co.

Learning Outcome

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

  • 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

Preconditions

Grundlegende Programmierkenntnisse werden empfohlen.

Courses, Learning and Teaching Methods and Literature

Learning and Teaching Methods

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 z.B. 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.

Media

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

Übungsblätter. Begleitende Webseite: http://users.ph.tum.de/srecksie/lehre

Literature

  • 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

Module Exam

Description of exams and course work

There will be a written exam of 90 minutes duration. Therein the achievement of the competencies given in section learning outcome is tested exemplarily at least to the given cognition level using calculation problems and comprehension questions.

For example an assignment in the exam might be:

  • Give the cost function and the loss function for a given neuronal network.
  • What is done to "train a network" - what do you modify in order to obtain which result?

Participation in the exercise classes is strongly recommended since the exercises prepare for the problems of the exam and rehearse the specific competencies.

Exam Repetition

The exam may be repeated at the end of the semester.

Top of page