Machine Learning 2Module description #40551 / 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 | #40551 / #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 haben ein vertieftes Wissen über die Anwendung spezifischer Methoden des Maschinellen Lernens (Klassifikation, Regression, Dimensionsreduktion, Clustering) in ausgewählten Anwendungsbereichen (Bioinformatik, Computersicherheit, etc.) und können diese Methoden selbstständig anwenden und weiterentwickeln. Insbesondere sind die Studierenden mit den Aspekten des Maschinellen Lernens vertraut, welche für den praktischen Erfolg entscheidend sind. Darüber hinaus haben die Studierenden in einem Seminar den aktuellen Forschungsstand kennengelernt sowie das Präsentieren im wissenschaftlichen Umfeld eingeübt.
Content
In dieser Vorlesung werden weiterführende Themen des Maschinellen Lernens behandelt. Ein besonderer Schwerpunkt wird auf die Anwendung gelegt. Mehrere erfolgreiche Anwendungen des Maschinellen Lernens werden besprochen und auf die jeweiligen Besonderheiten wird eingegangen. Unter anderem werden folgende Themen behandelt: halbüberwachtes Lernen, Boostingverfahren, Optimierungstheorie, Kernmethoden für strukturierte Daten, graphische Modelle.
Beispiele für erfolgreiche Anwendungen sind unter anderem Bioinformatik, Computersicherheit und Textmining.
Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar). Es werden laufend neue Seminare angeboten, das Modul wird in jedem Semester dementsprechend aktualisiert.
Beispiele für erfolgreiche Anwendungen sind unter anderem Bioinformatik, Computersicherheit und Textmining.
Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar). Es werden laufend neue Seminare angeboten, das Modul wird in jedem Semester dementsprechend aktualisiert.
Module components
Compulsory area
The following courses are mandatory for this module:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Maschinelles Lernen II | Lecture | 0434 L 503 | Summer semester | – | 2 | ISIS |
| Maschinelles Lernen II | Exercise | 0434 L503 | Summer semester | – | 2 | ISIS |
Compulsory elective area
A selection of the following courses must be completed:
Workload and credit points
Maschinelles Lernen II (Lecture)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Maschinelles Lernen II (Exercise)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Hot Topics In ML (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning and Data Management Systems (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning in Biomedical Engineering (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 450 hours. The module therefore comprises 9 credit points.
Description of teaching and learning methods
Die Veranstaltung 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. 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. Grundlagen des maschinellen Lernens sind ratsam, z.B. Teilnahme am Modul „Maschinelles Lernen 1“, jedoch bei solidem theoretischem Vorwissen nicht zwingend 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 schriftliche Klausur.
Voraussetzungen für die Teilnahme an der Modulprüfung:
1. 50% der Übungen in der Integrierten Veranstaltung; und
2. erfolgreiche Präsentation in einem Seminar.
Voraussetzungen für die Teilnahme an der Modulprüfung:
1. 50% der Übungen in der Integrierten Veranstaltung; und
2. 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