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

Probabilistic and Bayesian Modelling in ML and AIModule description #40638 / Version 1

← Module page Deutsche Fassung
This module description is not valid in the current semester (Winter semester 2026/27).
Module / Version#40638 / #1
ValiditySS 2014 – SS 2014
Available language(s)English
Credit points6
Person responsible for the moduleOpper, Manfred
GradingGraded
Exam formatOral exam
Language(s) of instructionEnglish

Affiliation

FacultyFakultät IV
InstituteInstitut für Softwaretechnik und Theoretische Informatik
Academic chair34351600 FG Künstliche Intelligenz

Contact

OfficeMAR 4-2
Contact personLippke, Cordula
E-mail addresslehre@ki.tu-berlin.de
Websitehttp://www.ki.tu-berlin.de/menue/lehre

Learning outcomes

Die Studierenden verstehen die grundlegenden Konzepte statistischer Modellierung in KI und maschinellem Lernen, kennen die wichtigsten Modelle und ihre Anwendungsgebiete und haben die Kompetenz zum Verständnis aktueller Literatur.

Die Studierenden sind in der Lage, die Leistungsfähigkeit der besprochenen Verfahren einzuschätzen, diese auf Probleme in den Anwendungsdomänen erfolgreich einzusetzen und gegebenenfalls neue Modelle zu entwickeln.

Das Modul vermittelt überwiegend:
Fachkompetenz 50x Methodenkompetenz 40x Systemkompetenz 10x Sozialkompetenz 0x

Content

* Wiederholung Wahrscheinlichkeitstheorie, generative Modelle, Maximum Likelihood, Eigenschaften von Schätzverfahren, Latent variable Models, EM Algorithmus, ICA aund probabilistic PCA.
* Bayes Methoden, Modell-Selektion, generalised linear models, Gauss'sche Prozesse, Dirichletprozesse
* Inferenztechniken: Laplace Näherung, Monte Carlo Methoden, variationelle Verfahren

Module components

Compulsory area

The following courses are mandatory for this module:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Probabilistic and Bayesian Modelling in ML and AILecture0434 L 712 Summer semester–4 ISIS

Workload and credit points

Probabilistic and Bayesian Modelling in ML and AI (Lecture)

Workload descriptionMultiplierHoursTotal
Präsenzzeit154 h60 h
Vor-/Nachbereitungszeit158 h120 h
180 h

The workload of the module adds up to 180 hours. The module therefore comprises 6 credit points.

Description of teaching and learning methods

Integrierte Lehrveranstaltung bestehend aus Vorlesungs- und Übungsanteil.
Vorlesung: Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes kombiniert mit etwa 5 Übungen. Hier werden Übungsaufgaben besprochen, die von den Teilnehmern als Hausaufgaben bearbeitet werden. Die Übungsaufgaben umfassen sowohl die Analyse und Entwicklung von probabilistichen Modellen als auch den praktischen Umgang mit den besprochenen Verfahren.
Unterrichtssprache in dem Modul ist englisch.

Requirements for participation and examination

Desirable prerequisites for participation in the courses:

Vorausgesetzt werden Grundkenntnisse in Mathematik (Lineare Algebra, Analysis, Stochastik) sowie Programmierkenntnisse.

Mandatory requirements for the module examination registration:

This module has no examination requirements.

Completion of the module

GradingGraded
Exam formatOral exam
LanguageEnglish

Exam description

Mündliche Prüfung.
(Voraussetzung für die mündliche Prüfung ist das Vorliegen des Übungsscheins). Unbenoteter Übungsschein (mindestens 60% der Aufgaben erfolgreich bearbeitet)

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: Summer semester.

Maximum number of participants

This module is not limited to a number of students.

Registration procedures

Die Anmeldung zur Lehrveranstaltung erfolgt über die ISIS-Seite. Dies ersetzt nicht die Prüfungsanmeldung beim Prüfungsamt, bzw. in QISPOS.

Recommended reading, lecture notes

Lecture notes

unavailable

Electronic lecture notes

available – Die Folien zur Lehrveranstaltung werden in ISIS zur Verfügung gestellt.

Recommended literature

  • Information Theory, Inference, and Learning Algorithms, David J C MacKay, Cambridge University Press.
  • Pattern Recognition and Machine Learning, Christopher M. Bishop,Springer, 2006

Assigned programs

This module is not used in any program.

Miscellaneous

Not specified