Skip to content
Technische Universität Berlin Deutsch
Course catalog and module transfer system

Kognitive AlgorithmenModule description #40525 / Version 1

← Module page Deutsche Fassung
This module description is not valid in the current semester (Winter semester 2026/27). Current version (v6)
Module / Version#40525 / #1
ValiditySS 2014 – WS 2016/17
Available language(s)English, German
Credit points6
Person responsible for the moduleMüller, Klaus-Robert
GradingGraded
Exam formatWritten exam
Language(s) of instructionEnglish, German

Affiliation

FacultyFakultät IV
InstituteInstitut für Softwaretechnik und Theoretische Informatik
Academic chair34352000 FG Maschinelles Lernen

Contact

OfficeFR 6-1
Contact personNeuhäuser, Tom
E-mail addresscognitivealgorithms@ml.tu-berlin.de
Websitehttps://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.

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).

Module components

Compulsory area

The following courses are mandatory for this module:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Kognitive AlgorithmenIntegrated course0434 L 502 Winter and summer semester–2 ISIS

Compulsory elective area

A selection of the following courses must be completed:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Anwendungen Kognitiver AlgorithmenSeminar04340L 562 Winter and summer semester–2 ISIS
Mathematische Grundlagen für Maschinelles LernenCourse0434 L 545 Winter and summer semester–2 ISIS
Pythonprogrammierung für ML und DatenanlyseCourse0434 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

All groups of this course in the catalog

Mathematische Grundlagen für Maschinelles Lernen (Course) 1

All groups of this course in the catalog

Workload and credit points

Kognitive Algorithmen (Integrated course)

Workload descriptionMultiplierHoursTotal
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Anwendungen Kognitiver Algorithmen (Seminar)

Workload descriptionMultiplierHoursTotal
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Mathematische Grundlagen für Maschinelles Lernen (Course)

Workload descriptionMultiplierHoursTotal
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Pythonprogrammierung für ML und Datenanlyse (Course)

Workload descriptionMultiplierHoursTotal
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 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.

Mandatory requirements for the module examination registration:

This module has no examination requirements.

Completion of the module

GradingGraded
Exam formatWritten exam
LanguageEnglish, 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

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