Kognitive AlgorithmenModule description #40525 / Version 1
- 6 CP
- Written exam
- Graded
- Winter and summer semester
- English, German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v6)
| Module / Version | #40525 / #1 |
|---|---|
| Validity | SS 2014 – WS 2016/17 |
| Available language(s) | English, German |
| Credit points | 6 |
| Person responsible for the module | Müller, Klaus-Robert |
| Grading | Graded |
| Exam format | Written exam |
| Language(s) of instruction | English, German |
Affiliation
| Faculty | Fakultät IV |
|---|---|
| Institute | Institut für Softwaretechnik und Theoretische Informatik |
| Academic chair | 34352000 FG Maschinelles Lernen |
Contact
| Office | FR 6-1 |
|---|---|
| Contact person | Neuhäuser, Tom |
| E-mail address | cognitivealgorithms@ml.tu-berlin.de |
| Website | https://web.ml.tu-berlin.de/teaching/courses |
Learning outcomes
Ziel der Veranstaltung ist ein intuitives Verständnis elementarer Konzepte des Maschinellen Lernens, deren Entstehung und ihrer Anwendung in aktuellen Problemstellungen. Am Ende der Veranstaltung sind die Teilnehmer vertraut mit grundlegenden kognitiven Fähigkeiten von Computerprogrammen wie etwa Bewegungserkennung, Klassifikation und Kategorisierung und typischen Anwendungsfeldern dieser Algorithmen wie z.B der automatisierten Schrifterkennung, intelligentem Filtern von E-Mail Spam oder Extraktion von semantischer Information aus Textdaten.
Das Modul gliedert sich in zwei Teile:
• Integrierte Veranstaltung Kognitive Algorithmen: In der Vorlesung werden die Mechanismen elementarer Lernalgorithmen anschaulich erklärt und ihre Entstehung eingebettet in die Entwicklung unseres heutigen Verständnisses kognitiver Fähigkeiten von Maschinen. Im praktischen Teil werden Programmieraufgaben selbstständig bearbeitet.
• Wahlpflichtveranstaltung: Im Wahlpflichtbereich kann der Teilnehmer je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:
- Mathematische Grundlagen für Maschinelles Lernen: Dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Methoden für die Veranstaltung
- Python Programmierung für Maschinelles Lernen: dieses Kurs vermittelt das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens in Python.
- Seminar Anwendungen kognitiver Algorithmen: im Seminar wird das selbständige Einarbeiten und Präsentieren von wissenschaftlichen Ergebnissen geübt.
Das Modul gliedert sich in zwei Teile:
• Integrierte Veranstaltung Kognitive Algorithmen: In der Vorlesung werden die Mechanismen elementarer Lernalgorithmen anschaulich erklärt und ihre Entstehung eingebettet in die Entwicklung unseres heutigen Verständnisses kognitiver Fähigkeiten von Maschinen. Im praktischen Teil werden Programmieraufgaben selbstständig bearbeitet.
• Wahlpflichtveranstaltung: Im Wahlpflichtbereich kann der Teilnehmer je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:
- Mathematische Grundlagen für Maschinelles Lernen: Dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Methoden für die Veranstaltung
- Python Programmierung für Maschinelles Lernen: dieses Kurs vermittelt das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens in Python.
- Seminar Anwendungen kognitiver Algorithmen: im Seminar wird das selbständige Einarbeiten und Präsentieren von wissenschaftlichen Ergebnissen geübt.
Content
Elementare Methoden des Maschinellen Lernens, unter anderem überwachte Lernmethoden (lineare Klassifikation & Regression, Kernmethoden), Gradientenabstieg, Modellselektion (Kreuzvalidierung), Dimensionsreduktion (PCA)
Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet (Seminar) oder Mathematische Grundlagen (Kurs) oder Python Grundlagen (Kurs).
Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet (Seminar) oder Mathematische Grundlagen (Kurs) oder Python Grundlagen (Kurs).
Module components
Compulsory area
The following courses are mandatory for this module:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Kognitive Algorithmen | Integrated course | 0434 L 502 | Winter and summer semester | – | 2 | WS 2026/27 (2) ISIS |
Compulsory elective area
A selection of the following courses must be completed:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Anwendungen Kognitiver Algorithmen | Seminar | 04340L 562 | Winter and summer semester | – | 2 | ISIS |
| Mathematische Grundlagen für Maschinelles Lernen | Course | 0434 L 545 | Winter and summer semester | – | 2 | WS 2026/27 (1) ISIS |
| Pythonprogrammierung für ML und Datenanlyse | Course | 0434 L543 | Winter and summer semester | – | 2 | ISIS |
Courses in the course catalog
Courses created from the teaching units of this module.
Winter semester 2026/27 (3)
Kognitive Algorithmen (Integrated course) 2
- Kognitive Algorithmen (Integrierte Veranstaltung) Tutorials 0434 L 502
- Kognitive Algorithmen (Integrierte Veranstaltung) Vorlesung 0434 L 502
Mathematische Grundlagen für Maschinelles Lernen (Course) 1
- Mathematische Grundlagen für Maschinelles Lernen (Math4ML) (Vorlesung) 1. Termingruppe 0434 L 545
Workload and credit points
Kognitive Algorithmen (Integrated course)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Anwendungen Kognitiver Algorithmen (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Mathematische Grundlagen für Maschinelles Lernen (Course)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Pythonprogrammierung für ML und Datenanlyse (Course)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
The workload of the module adds up to 360 hours. The module therefore comprises 6 credit points.
Description of teaching and learning methods
Das Modul besteht aus einer Integrierten Lehrveranstaltung und einem Wahlpflichtteil (Python oder Mathe Kurs oder Seminar). Der Kurs besteht aus einer mehrtägigen Blockveranstaltung mit Frontalunterricht und betreuten Übungen. Die Seminarvorträge werden unter Anleitung eines Betreuers erarbeitet und in einem Blockseminar präsentiert und diskutiert.
Requirements for participation and examination
Desirable prerequisites for participation in the courses:
Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Lineare Algebra und Analysis. Der Kurs „Mathematische Grundlagen des Maschinellen Lernens" bietet eine kompakte Einführung bzw. Auffrischung dieser Themen.
Da die wissenschaftliche Literatur in englischer Sprache verfasst ist, sind gute Englischkenntnisse erforderlich.
Da die wissenschaftliche Literatur in englischer Sprache verfasst ist, sind gute Englischkenntnisse erforderlich.
Mandatory requirements for the module examination registration:
This module has no examination requirements.
Completion of the module
| Grading | Graded |
|---|---|
| Exam format | Written exam |
| Language | English, German |
Exam description
Die Modulprüfung ist eine Klausur. Die Note des Moduls ist die Klausurnote.
Voraussetzungen (nicht notenrelevant) für die Teilnahme an der Klausur sind:
a. bestandene schriftliche Prüfung im Kurs „Mathematische Grundlagen..."
b. erfolgreiche Präsentation im Abschlussprojekt
Voraussetzungen (nicht notenrelevant) für die Teilnahme an der Klausur sind:
a. bestandene schriftliche Prüfung im Kurs „Mathematische Grundlagen..."
b. erfolgreiche Präsentation im Abschlussprojekt
Duration of the module
The following number of semesters is estimated for taking and completing the module: 1 semester(s).
This module can be started in the following semesters: Winter and summer semester.
Maximum number of participants
This module is not limited to a number of students.
Registration procedures
Keine
Recommended reading, lecture notes
Lecture notes
unavailable
Electronic lecture notes
unavailable
Recommended literature
- ahrmeir, R. Künstler, I. Pigeot, G. Tutz (2004) Statistik , Springer, 5. Auflage
- Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.
- G. Bamberg, F. Baur (2006) Statistik , Oldenbourg-Verlag, 12. Auflage
- K. B. Petersen, M. S. Pedersen (2007) The Matrix Cookbook . Technical University of Denmark
- L. Wasserman (2004) All of Statistics , Springer
- Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern Classification , Wiley (2. Auflage)
- Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001) The Elements of Statistical Learning , Springer.
Assigned programs
This module is not used in any program.
Miscellaneous
Not specified