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

Machine Learning 1Module description #40550 / Version 2

← Module page Deutsche Fassung
This module description is not valid in the current semester (Winter semester 2026/27). Current version (v6)
Module / Version#40550 / #2
ValidityWS 2014/15 – WS 2014/15
Available language(s)English, German
Credit points9
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 personKauffmann, Jacob Reinhard
E-mail addressj.kauffmann@tu-berlin.de
Websitehttps://wiki.ml.tu-berlin.de/wiki/

Learning outcomes

The students are able to independently apply methods from machine learning on new data. This includes methods for classification, regression, dimensionality reduction and clustering. Moreover, the module teaches the mathematical skills (probability theory, optimization theory) needed to extend and theoretical analyze machine learning methods.

Content

Probability theory, theory of estimation (e.g. Maximum likelihood, EM algorithm)

Methods from Machine Learning: Dimensionality reduction (PCA, ICA), Clustering, Supervised learning (e.g. Regression, LDA, SVM, Gaussian processes)

Depending on the elective: more detailed knowledge about specific machine learning problems, programming skills, or mathematical foundations.

Module components

Compulsory area

The following courses are mandatory for this module:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Maschinelles Lernen IIntegrated course0434 L 501 Winter semester–4 ISIS

Compulsory elective area

A selection of the following courses must be completed:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Big Data: Skalierbares Maschinelles LernenSeminar Winter semester–2 ISIS
Big Data: Skalierbares Maschinelles LernenCourse Winter semester–2 ISIS
Boosting and Model AveragingSeminar Winter and summer semester–2 ISIS
Classical Topics in MLSeminar0434 L588 Winter semester–2 ISIS
DimensionsreduktionSeminar Winter and summer semester–2 ISIS
Doktoranden- und DiplomandenseminarSeminar Winter and summer semester–2 ISIS
Feature SelectionSeminar Winter and summer semester–2 ISIS
Halbüberwachtes LernenSeminar Winter and summer semester–2 ISIS
Kernels for Structured DataSeminar Winter and summer semester–2 ISIS
Learning on Structured DataSeminar Winter and summer semester–2 ISIS
Lernen unter NichtstationaritätenSeminar Winter and summer semester–2 ISIS
Machine Learning for Computer VisionSeminar Winter and summer semester–2 ISIS
Machine Learning for Intelligent RobotsSeminar Winter and summer semester–2 ISIS
Maschinelles Lernen in der IT-SicherheitSeminar Winter and summer semester–2 ISIS
Mathematische Grundlagen für Maschinelles LernenCourse0434 L 545 Winter and summer semester–2 ISIS
Matlabprogrammierung für ML und DatenanlyseCourse0434 L 544 Winter and summer semester–2 ISIS
Moderne Verfahren des Maschinellen Lernens: KausalanalyseSeminar Winter and summer semester–2 ISIS
Neuronale NetzeSeminar0430 L 451 Summer semester–2 ISIS
Pythonprogrammierung für ML und DatenanlyseCourse0434 L543 Winter and summer semester–2 ISIS
Regression and Optimization Methods in RoboticsSeminar Winter and summer semester–2 ISIS
Representations in Machine LearningSeminar Winter and summer semester–2 ISIS
Singular Learning TheorySeminar 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

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

Maschinelles Lernen I (Integrated course)

Workload descriptionMultiplierHoursTotal
Präsenzzeit154 h60 h
Vor-/Nachbereitung158 h120 h
180 h

Big Data: Skalierbares Maschinelles Lernen (Seminar)

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

Big Data: Skalierbares Maschinelles Lernen (Course)

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

Boosting and Model Averaging (Seminar)

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

Classical Topics in ML (Seminar)

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

Dimensionsreduktion (Seminar)

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

Doktoranden- und Diplomandenseminar (Seminar)

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

Feature Selection (Seminar)

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

Halbüberwachtes Lernen (Seminar)

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

Kernels for Structured Data (Seminar)

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

Learning on Structured Data (Seminar)

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

Lernen unter Nichtstationaritäten (Seminar)

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

Machine Learning for Computer Vision (Seminar)

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

Machine Learning for Intelligent Robots (Seminar)

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

Maschinelles Lernen in der IT-Sicherheit (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

Matlabprogrammierung für ML und Datenanlyse (Course)

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

Moderne Verfahren des Maschinellen Lernens: Kausalanalyse (Seminar)

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

Neuronale Netze (Seminar)

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

Regression and Optimization Methods in Robotics (Seminar)

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

Representations in Machine Learning (Seminar)

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

Singular Learning Theory (Seminar)

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

The workload of the module adds up to 2160 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

GradingGraded
Exam formatWritten exam
LanguageEnglish, 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

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

No recommended literature given

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