Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Kognitive AlgorithmenModulbeschreibung #40525 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v6)
Modul / Version#40525 / #1
GültigkeitSS 2014 – WS 2016/17
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rMüller, Klaus-Robert
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch, Deutsch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352000 FG Maschinelles Lernen

Kontakt

SekretariatFR 6-1
Ansprechpartner*inNeuhäuser, Tom
E-Mail-Adressecognitivealgorithms@ml.tu-berlin.de
Webseitehttps://web.ml.tu-berlin.de/teaching/courses

Lernergebnisse

Ziel der Veranstaltung ist ein intuitives Verständnis elementarer Konzepte des Maschinellen Lernens, deren Entstehung und ihrer Anwendung in aktuellen Problemstellungen. Am Ende der Veranstaltung sind die Teilnehmer vertraut mit grundlegenden kognitiven Fähigkeiten von Computerprogrammen wie etwa Bewegungserkennung, Klassifikation und Kategorisierung und typischen Anwendungsfeldern dieser Algorithmen wie z.B der automatisierten Schrifterkennung, intelligentem Filtern von E-Mail Spam oder Extraktion von semantischer Information aus Textdaten.

Das Modul gliedert sich in zwei Teile:

• Integrierte Veranstaltung Kognitive Algorithmen: In der Vorlesung werden die Mechanismen elementarer Lernalgorithmen anschaulich erklärt und ihre Entstehung eingebettet in die Entwicklung unseres heutigen Verständnisses kognitiver Fähigkeiten von Maschinen. Im praktischen Teil werden Programmieraufgaben selbstständig bearbeitet.

• Wahlpflichtveranstaltung: Im Wahlpflichtbereich kann der Teilnehmer je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:
- Mathematische Grundlagen für Maschinelles Lernen: Dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Methoden für die Veranstaltung
- Python Programmierung für Maschinelles Lernen: dieses Kurs vermittelt das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens in Python.
- Seminar Anwendungen kognitiver Algorithmen: im Seminar wird das selbständige Einarbeiten und Präsentieren von wissenschaftlichen Ergebnissen geübt.

Lehrinhalte

Elementare Methoden des Maschinellen Lernens, unter anderem überwachte Lernmethoden (lineare Klassifikation & Regression, Kernmethoden), Gradientenabstieg, Modellselektion (Kreuzvalidierung), Dimensionsreduktion (PCA)

Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet (Seminar) oder Mathematische Grundlagen (Kurs) oder Python Grundlagen (Kurs).

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Kognitive AlgorithmenIntegrierte Veranstaltung0434 L 502 Winter- und Sommersemester–2 ISIS

Wahlpflichtbereich

Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Anwendungen Kognitiver AlgorithmenSeminar04340L 562 Winter- und Sommersemester–2 ISIS
Mathematische Grundlagen für Maschinelles LernenKurs0434 L 545 Winter- und Sommersemester–2 ISIS
Pythonprogrammierung für ML und DatenanlyseKurs0434 L543 Winter- und Sommersemester–2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (3)

Kognitive Algorithmen (Integrierte Veranstaltung) 2

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Kognitive Algorithmen (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Anwendungen Kognitiver Algorithmen (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Mathematische Grundlagen für Maschinelles Lernen (Kurs)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Pythonprogrammierung für ML und Datenanlyse (Kurs)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Der Aufwand des Moduls summiert sich zu 360 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul besteht aus einer Integrierten Lehrveranstaltung und einem Wahlpflichtteil (Python oder Mathe Kurs oder Seminar). Der Kurs besteht aus einer mehrtägigen Blockveranstaltung mit Frontalunterricht und betreuten Übungen. Die Seminarvorträge werden unter Anleitung eines Betreuers erarbeitet und in einem Blockseminar präsentiert und diskutiert.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Lineare Algebra und Analysis. Der Kurs „Mathematische Grundlagen des Maschinellen Lernens" bietet eine kompakte Einführung bzw. Auffrischung dieser Themen.
Da die wissenschaftliche Literatur in englischer Sprache verfasst ist, sind gute Englischkenntnisse erforderlich.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch, Deutsch

Prüfungsbeschreibung (Abschluss des Moduls)

Die Modulprüfung ist eine Klausur. Die Note des Moduls ist die Klausurnote.
Voraussetzungen (nicht notenrelevant) für die Teilnahme an der Klausur sind:
a. bestandene schriftliche Prüfung im Kurs „Mathematische Grundlagen..."
b. erfolgreiche Präsentation im Abschlussprojekt

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Keine

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

  • ahrmeir, R. Künstler, I. Pigeot, G. Tutz (2004) Statistik , Springer, 5. Auflage
  • Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.
  • G. Bamberg, F. Baur (2006) Statistik , Oldenbourg-Verlag, 12. Auflage
  • K. B. Petersen, M. S. Pedersen (2007) The Matrix Cookbook . Technical University of Denmark
  • L. Wasserman (2004) All of Statistics , Springer
  • Richard 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.

Zugeordnete Studiengänge

Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe