Machine Learning 1Module description #40550 / Version 1
- 9 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 | #40550 / #1 |
|---|---|
| Validity | WS 2013/14 – SS 2014 |
| Available language(s) | English, German |
| Credit points | 9 |
| 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 | Kauffmann, Jacob Reinhard |
| E-mail address | j.kauffmann@tu-berlin.de |
| Website | https://wiki.ml.tu-berlin.de/wiki/ |
Learning outcomes
Die Studierenden sind in der Lage, eigenständig die wesentlichen Verfahren des maschinellen Lernens auf neuen Daten anzuwenden. Dies umfasst Methoden zur Klassifikation, Regression, Dimensionsreduktion und Clustering. Darüberhinaus vermittelt das Modul das theoretische Rüstzeug (Wahrscheinlichkeitstheorie, Optimierungstheorie), um Verfahren weiterzuentwickeln und theoretisch zu analysieren.
In der Wahlpflichtveranstaltung kann der Teilnehmer je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:
* Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens.
* Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums.
* Seminar Maschinelles Lernen: im Seminar wird das selbststandige Einarbeiten und Prasentieren von Wissenschaftlichen Ergebnissen geübt.
In der Wahlpflichtveranstaltung kann der Teilnehmer je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:
* Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens.
* Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums.
* Seminar Maschinelles Lernen: im Seminar wird das selbststandige Einarbeiten und Prasentieren von Wissenschaftlichen Ergebnissen geübt.
Content
Grundlagen der Wahrscheinlichkeitstheorie, Schätztheorie (Maximum-Likelihood, EM-Algorithmus).
Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA, ICA), Clustering, überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Re-gression, Gaußprozesse)
Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar), Matlab für Maschinelles Lernen (Kurs), Python für Maschinelles Lernen (Kurs) oder Mathematische Grundlagen (Kurs). Das Seminar „Classical Topics in Machine Learning“ findet jedes Semester statt, darüber hinaus werden in unregelmäßigen Abständen spezielle Seminare angeboten; die Modulbeschreibung wird dementsprechend ergänzt.
Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA, ICA), Clustering, überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Re-gression, Gaußprozesse)
Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar), Matlab für Maschinelles Lernen (Kurs), Python für Maschinelles Lernen (Kurs) oder Mathematische Grundlagen (Kurs). Das Seminar „Classical Topics in Machine Learning“ findet jedes Semester statt, darüber hinaus werden in unregelmäßigen Abständen spezielle Seminare angeboten; die Modulbeschreibung wird dementsprechend ergänzt.
Module components
Compulsory area
The following courses are mandatory for this module:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Maschinelles Lernen I | Integrated course | 0434 L 501 | Winter semester | – | 4 | WS 2026/27 (4) ISIS |
Compulsory elective area
A selection of the following courses must be completed:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Boosting and Model Averaging | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Classical Topics in ML | Seminar | 0434 L588 | Winter semester | – | 2 | ISIS |
| Dimensionsreduktion | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Doktoranden- und Diplomandenseminar | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Feature Selection | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Halbüberwachtes Lernen | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Kernels for Structured Data | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Learning on Structured Data | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Lernen unter Nichtstationaritäten | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Machine Learning for Computer Vision | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Machine Learning for Intelligent Robots | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Maschinelles Lernen in der IT-Sicherheit | Seminar | 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 |
| Matlabprogrammierung für ML und Datenanlyse | Course | 0434 L 544 | Winter and summer semester | – | 2 | ISIS |
| Moderne Verfahren des Maschinellen Lernens: Kausalanalyse | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Neuronale Netze | Seminar | 0430 L 451 | Summer semester | – | 2 | ISIS |
| Pythonprogrammierung für ML und Datenanlyse | Course | 0434 L543 | Winter and summer semester | – | 2 | ISIS |
| Regression and Optimization Methods in Robotics | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Representations in Machine Learning | Seminar | Winter and summer semester | – | 2 | ISIS | |
| Singular Learning Theory | Seminar | Winter and summer semester | – | 2 | ISIS |
Courses in the course catalog
Courses created from the teaching units of this module.
Winter semester 2026/27 (5)
Maschinelles Lernen I (Integrated course) 4
- Maschinelles Lernen I (Integrierte Veranstaltung) Exercises (Machine Learning I) 0434 L 501
- Maschinelles Lernen I (Integrierte Veranstaltung) Lectures (Machine Learning I) 0434 L 501
- Maschinelles Lernen I (Integrierte Veranstaltung) Mathematical Foundations for Machine Learning (Exercises) 0434 L 501
- Maschinelles Lernen I (Integrierte Veranstaltung) Mathematical Foundations for Machine Learning (Lectures) 0434 L 501
Mathematische Grundlagen für Maschinelles Lernen (Course) 1
- Mathematische Grundlagen für Maschinelles Lernen (Math4ML) (Vorlesung) 1. Termingruppe 0434 L 545
Workload and credit points
Maschinelles Lernen I (Integrated course)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Vor-/Nachbereitung | 15 | 8 h | 120 h |
| 180 h | |||
Boosting and Model Averaging (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Classical Topics in ML (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Dimensionsreduktion (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Doktoranden- und Diplomandenseminar (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Feature Selection (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Halbüberwachtes Lernen (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Kernels for Structured Data (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Learning on Structured Data (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Lernen unter Nichtstationaritäten (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning for Computer Vision (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning for Intelligent Robots (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Maschinelles Lernen in der IT-Sicherheit (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 | |||
Matlabprogrammierung 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 | |||
Moderne Verfahren des Maschinellen Lernens: Kausalanalyse (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Neuronale Netze (Seminar)
| 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 | |||
Regression and Optimization Methods in Robotics (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Representations in Machine Learning (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Singular Learning Theory (Seminar)
| 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 1980 hours. The module therefore comprises 9 credit points.
Description of teaching and learning methods
Die IV besteht aus einem Vorlesungsteil (Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes) und einem Anteil praktischer Arbeit. Letztere besteht aus dem selbstständigen Bearbeiten von Übungsaufgaben. Der Kurs besteht aus einer mehrtägigen Blockveranstaltung, in der gemeinsam unter Anleitung Übungsaufgaben bearbeitet werden. 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, Analysis, Wahr-scheinlichkeitsrechnung. Der Kurs „Mathematische Grundlagen des Maschinellen Lernens“ bietet eine kompakte Einführung bzw. Auffrischung dieser Themen. Dieses Modul ist auch für Bachelorstudenten geeignet.
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 schriftliche Klausur.
Voraussetzungen für die Teilnahme an der Modulprüfung:
1. 50% der Übungen in der Integrierten Veranstaltung; und
2. je nach Wahlpflichtkomponente:
a. bestander schriftlicher Test im Kurs „Matlab Programmierung ...“
b. bestandener schriftlicher Test im Kurs „Mathematische Grundlagen...“
c. erfolgreiche Präsentation in einem Seminar
Voraussetzungen für die Teilnahme an der Modulprüfung:
1. 50% der Übungen in der Integrierten Veranstaltung; und
2. je nach Wahlpflichtkomponente:
a. bestander schriftlicher Test im Kurs „Matlab Programmierung ...“
b. bestandener schriftlicher Test im Kurs „Mathematische Grundlagen...“
c. erfolgreiche Präsentation in einem Seminar
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
- Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.
- Fahrmeir, R. Künstler, I. Pigeot, G. Tutz (2004) Statistik , Springer, 5. Auflage
- 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.
Service-Veranstaltung für andere Studiengänge (vor allem aus dem natur- und ingenieurwissenschaftlichen Bereich und der Mathematik)
Miscellaneous
Not specified