Probabilistic and Bayesian Modelling in ML and AIModule description #40638 / Version 1
- 6 CP
- Oral exam
- Graded
- Summer semester
- English
This module description is not valid in the current semester (Winter semester 2026/27).
| Module / Version | #40638 / #1 |
|---|---|
| Validity | SS 2014 – SS 2014 |
| Available language(s) | English |
| Credit points | 6 |
| Person responsible for the module | Opper, Manfred |
| Grading | Graded |
| Exam format | Oral exam |
| Language(s) of instruction | English |
Affiliation
| Faculty | Fakultät IV |
|---|---|
| Institute | Institut für Softwaretechnik und Theoretische Informatik |
| Academic chair | 34351600 FG Künstliche Intelligenz |
Contact
| Office | MAR 4-2 |
|---|---|
| Contact person | Lippke, Cordula |
| E-mail address | lehre@ki.tu-berlin.de |
| Website | http://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
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
* 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:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Probabilistic and Bayesian Modelling in ML and AI | Lecture | 0434 L 712 | Summer semester | – | 4 | ISIS |
Workload and credit points
Probabilistic and Bayesian Modelling in ML and AI (Lecture)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Vor-/Nachbereitungszeit | 15 | 8 h | 120 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.
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
| Grading | Graded |
|---|---|
| Exam format | Oral exam |
| Language | English |
Exam description
Mündliche Prüfung.
(Voraussetzung für die mündliche Prüfung ist das Vorliegen des Übungsscheins). Unbenoteter Übungsschein (mindestens 60% der Aufgaben erfolgreich bearbeitet)
(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