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

Machine Learning 2Module description #40551 / 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#40551 / #2
ValidityWS 2014/15 – WS 2016/17
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

Students have deepened their knowledge about specific methods in Machine Learning and selected application areas.

Content

The lecture covers further topics in Machine Learning, with a specific focus on applications.

Module components

Compulsory area

The following courses are mandatory for this module:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Maschinelles Lernen IILecture0434 L 503 Summer semester–2 ISIS
Maschinelles Lernen IIExercise0434 L503 Summer semester–2 ISIS

Compulsory elective area

A selection of the following courses must be completed:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Big Data: Skalierbares Maschinelles LernenCourse Winter semester–2 ISIS
Big Data: Skalierbares Maschinelles LernenLecture Summer semester–2 ISIS
Hot Topics In MLSeminar0434 L 560 Summer semester–2 ISIS
Machine Learning and Data Management SystemsSeminar Winter and summer semester–2 ISIS
Machine Learning in Biomedical EngineeringSeminar Winter and summer semester–2 ISIS
Neuronale Netz (EMSP)Seminar0430 L 451 Summer semester–2 ISIS

Workload and credit points

Maschinelles Lernen II (Lecture)

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

Maschinelles Lernen II (Exercise)

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

Big Data: Skalierbares Maschinelles Lernen (Lecture)

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

Hot Topics In ML (Seminar)

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

Machine Learning and Data Management Systems (Seminar)

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

Machine Learning in Biomedical Engineering (Seminar)

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

Neuronale Netz (EMSP) (Seminar)

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

The workload of the module adds up to 720 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

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. 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