Kognitive AlgorithmenModulbeschreibung #40525 / Version 5
- 6 LP
- Schriftliche Prüfung
- Benotet
- Winter- und Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v6)
| Modul / Version | #40525 / #5 |
|---|---|
| Gültigkeit | SoSe 2021 – WiSe 2023/24 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Müller, Klaus-Robert |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352000 FG Maschinelles Lernen |
Kontakt
| Sekretariat | FR 6-1 |
|---|---|
| Ansprechpartner*in | Neuhäuser, Tom |
| E-Mail-Adresse | cognitivealgorithms@ml.tu-berlin.de |
| Webseite | https://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:innen 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.
Je nach Wahlpflichtkurs können die Studierenden zudem entweder ihre mathematisch Kenntnisse, ihre Python Erfahrung oder ein individuell gewähltes Anwendungsgebiet aus dem Maschinellen Lernen vertiefen.
Je nach Wahlpflichtkurs können die Studierenden zudem entweder ihre mathematisch Kenntnisse, ihre Python Erfahrung oder ein individuell gewähltes Anwendungsgebiet aus dem Maschinellen Lernen vertiefen.
Lehrinhalte
Elementare Methoden des Maschinellen Lernens, unter anderem überwachte Lernmethoden (lineare Klassifikation & Regression, Kernmethoden), Gradientenabstieg, Modellselektion (Kreuzvalidierung), Dimensionsreduktion (PCA), Neuronale Netze
- 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/Hot Topics in ML/Classical Topics in ML/ML and Data Management Systems: im Seminar wird das selbstständige Einarbeiten und Präsentieren von wissenschaftlichen Ergebnissen geübt.
- 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/Hot Topics in ML/Classical Topics in ML/ML and Data Management Systems: im Seminar wird das selbstständige Einarbeiten und Präsentieren von wissenschaftlichen Ergebnissen geübt.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Kognitive Algorithmen | Integrierte Veranstaltung | 0434 L 502 | Winter- und Sommersemester | – | 2 | WiSe 2026/27 (2) ISIS |
Wahlpflichtbereich
Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Anwendungen Kognitiver Algorithmen | Seminar | 04340L 562 | Winter- und Sommersemester | – | 2 | ISIS |
| Classical Topics in ML | Seminar | 0434 L 588 | Wintersemester | – | 2 | ISIS |
| Hot Topics In ML | Seminar | 0434 L 560 | Sommersemester | – | 2 | ISIS |
| Machine Learning and Data Management Systems | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Mathematische Grundlagen für Maschinelles Lernen | Kurs | 0434 L 545 | Winter- und Sommersemester | – | 2 | WiSe 2026/27 (1) ISIS |
| Pythonprogrammierung für ML und Datenanalyse | Kurs | 0434 L 543 | Winter- und Sommersemester | [en] | 2 | ISIS |
| Workshop Advanced Machine Learning | Vorlesung | Sommersemester | – | 2 | ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (3)
Kognitive Algorithmen (Integrierte Veranstaltung) 2
- Kognitive Algorithmen (Integrierte Veranstaltung) Tutorials 0434 L 502
- Kognitive Algorithmen (Integrierte Veranstaltung) Vorlesung 0434 L 502
Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1
- Mathematische Grundlagen für Maschinelles Lernen (Math4ML) (Vorlesung) 1. Termingruppe 0434 L 545
Arbeitsaufwand und Leistungspunkte
Kognitive Algorithmen (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Anwendungen Kognitiver Algorithmen (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Classical Topics in ML (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Hot Topics In ML (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning and Data Management Systems (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Mathematische Grundlagen für Maschinelles Lernen (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Pythonprogrammierung für ML und Datenanalyse (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Workshop Advanced Machine Learning (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 720 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
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. Die Vorlesung findet alle 2 Wochen statt. In den Wochen dazwischen finden begleitende Tutorien statt in denen der Vorlesungsstoff wiederholt und durch Übungsaufgaben gefestigt wird.
• Wahlpflichtveranstaltung: Im Wahlpflichtbereich können die Teilnehmer:innen je nach Vorkenntnissen und Interessen verschiedene Schwerpunkte wählen. Der Wahpflichtteil besteht aus einer mehrtägigen Blockveranstaltung mit Frontalunterricht und betreuten Übungen. Die Seminarvorträge werden unter Anleitung von Betreuer:innen erarbeitet und in einem Blockseminar präsentiert und diskutiert.
• 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. Die Vorlesung findet alle 2 Wochen statt. In den Wochen dazwischen finden begleitende Tutorien statt in denen der Vorlesungsstoff wiederholt und durch Übungsaufgaben gefestigt wird.
• Wahlpflichtveranstaltung: Im Wahlpflichtbereich können die Teilnehmer:innen je nach Vorkenntnissen und Interessen verschiedene Schwerpunkte wählen. Der Wahpflichtteil besteht aus einer mehrtägigen Blockveranstaltung mit Frontalunterricht und betreuten Übungen. Die Seminarvorträge werden unter Anleitung von Betreuer:innen 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 Linearer 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.
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:
Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch, Deutsch |
| Dauer/Umfang | 90min |
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
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: 2 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
- Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.
- Fahrmeir, R. Künstler, I. Pigeot, G. Tutz (2004) Statistik , Springer, 5. Auflage
- G. Bamberg, F. Baur (2006) Statistik , Oldenbourg-Verlag, 12. Auflage
- Goodfellow, Ian, Yoshua Bengio, Aaron Courville (2016) Deep learning. MIT press.
- 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
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2021 | Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht) |
| WiSe 2021/22 | Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht) | |
| SoSe 2022 | Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht) | |
| WiSe 2022/23 | Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht) | |
| SoSe 2023 | Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht) | |
| WiSe 2023/24 | Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht) | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2021 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems |
| WiSe 2021/22 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems | |
| SoSe 2022 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems | |
| WiSe 2022/23 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems | |
| SoSe 2023 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems | |
| WiSe 2023/24 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Systems Engineering & Digitalization |
Sonstiges
Keine Angabe