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

Project Machine LearningModule description #40653 / Version 2

← Module page Deutsche Fassung
This module description is not valid in the current semester (Winter semester 2026/27). Current version (v7)
Module / Version#40653 / #2
ValiditySS 2015 – WS 2016/17
Available language(s)English
Credit points9
Person responsible for the moduleMüller, Klaus-Robert
GradingGraded
Exam formatPortfolio examination
Language(s) of instructionEnglish

Affiliation

FacultyFakultät IV
InstituteInstitut für Softwaretechnik und Theoretische Informatik
Academic chair34352000 FG Maschinelles Lernen

Contact

OfficeFR 6-1
Contact personNot specified
E-mail addressTeachingTeam@ml.tu-berlin.de
Websitehttp://ml.tu-berlin.de

Learning outcomes

Die Studierenden besitzen Kenntnisse und praktische Erfahrung im selbstständigen Anwenden von Methoden des maschinellen Lernens auf einen realen Rohdatensatz in einem spezifischen Anwendungsszenario. Hierzu gehört insbesondere die maschinelle Aufbereitung realer Daten in ein brauchbares Format, das Kalibrieren von Vorhersagemethoden, sowie der Vergleich unterschiedlicher Ansätze. Die Studierenden sind fähig, auch auf anderen realen Daten Methoden des maschinellen
Lernens erfolgreich anzuwenden sowie den Umfang, die Komplexität und die Erfolgsaussichten eines solchen Projektes unter praktischen Gesichtspunkten abzuschätzen.

Content

Ziel des Projektes ist, eine Vorhersageverfahren (Regression/Klassifikation) für eine reale Anwendung zu entwickeln, auf der Basis einer Open-Source Machine Learning toolbox. Dazu wird ein realer Datensatz in Rohdatenformat gegeben. Das Projekt ist in die folgenden drei aufeinander aufbauenden Meilensteine unterteilt.

1. Extraktion von vektoriellen Merkmalsvektoren aus den Rohdaten; univariate und multivariate Bewertung dieser Merkmale.

2. Evaluierung und Vergleich verschiedener Vorhersagemethodiken, Entwicklung geeigneter Bewertungsansätze und Gütemasse.

3. Begründete Auswahl und abschließende Bewertung einer bestimmten Vorhersagemethodik.
Im Unterschied zum Praktikum liegt der Schwerpunkt nicht auf der Implementierung von Machine Learning-Methoden, sondern auf Datenaufbereitung sowie Anwendung, Bewertung und Auswahl von Methoden aus existierenden Toolboxen.

Module components

Compulsory area

The following courses are mandatory for this module:

CoursesTypeNumberFrequencyLanguageHours per weekCourse catalog
Projekt Maschinelles LernenProject0434 L552 Winter semester–6 ISIS

Workload and credit points

Projekt Maschinelles Lernen (Project)

Workload descriptionMultiplierHoursTotal
Präsenzzeit156 h90 h
Vor-/Nachbereitung1512 h180 h
270 h

The workload of the module adds up to 270 hours. The module therefore comprises 9 credit points.

Description of teaching and learning methods

Die Studierenden bearbeiten das Projekt selbstständig. Zu Beginn des Semesters und nach jedem Meilenstein findet ein Treffen statt, bei dem die Studierenden ihre Ergebnisse vorstellen und diskutieren (Seminar) und die Zielsetzung des nächsten Meilensteins vorgestellt wird (Vorlesung). Zusätzlich findet eine regelmäßige gemeinsame Sprechstunde statt.

Requirements for participation and examination

Desirable prerequisites for participation in the courses:

Es gibt keine formalen Voraussetzungen. Die vorherige Teilnahme an den Modulen „Maschinelles Lernen I“ und „Praktikum Maschinelles Lernen“ ist wünschenswert. Sämtlicher Programmcode wird in Python geschrieben.

Mandatory requirements for the module examination registration:

This module has no examination requirements.

Completion of the module

GradingGraded
Exam formatPortfolio examination
LanguageEnglish

Test elements

NamePoints/WeightCategoryDuration/Extent
Programmcode/Dokumentation 1. Meilenstein33
Programmcode/Dokumentation 2. Meilenstein33
Programmcode/Dokumentation 3. Meilenstein34

Exam description

Nach jedem Meilenstein geben die Teilnehmer Programmcode sowie eine Dokumentation Ihrer Lösung ab. Sowohl für den Programmcode, als auch für die Dokumentation der Lösung gibt es strikte Vorgaben welche auf der Website bekanntgegeben werden.
Es gibt drei Meilsteine und die Bewertung jedes Meilsteins geht zu 1/3 in die Note ein.
Die Lösungen werden den jeweils anderen Teilnehmern zur Verfügung gestellt, damit diese ggf. in den fol-genden Meilensteinen darauf aufbauen können.

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 semester.

Maximum number of participants

The maximum capacity of participants is 10.

Registration procedures

Die Anmeldung erfolgt per Email. Die Anmeldungen werden in der Reihenfolge des Eintreffens berücksichtigt; Details und Fristen siehe Fachgebietswebseite

Recommended reading, lecture notes

Lecture notes

unavailable

Electronic lecture notes

unavailable

Recommended literature

  • Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.
  • Homepage der Machine Learning Toolbox shogun: http://www.shogun-toolbox.org/
  • ichard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern Classification , Wiley (2. Auflage).
  • Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001) The Elements of Statistical Learning, Springer.

Assigned programs

This module is not used in any program.

Miscellaneous

Not specified