Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Kognitive AlgorithmenModulbeschreibung #40525 / Version 5

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v6)
Modul / Version#40525 / #5
GültigkeitSoSe 2021 – WiSe 2023/24
Verfügbare Sprache(n)Deutsch
Leistungspunkte6
Modulverantwortliche*rMüller, Klaus-Robert
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)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: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.

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.

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
Classical Topics in MLSeminar0434 L 588 Wintersemester–2 ISIS
Hot Topics In MLSeminar0434 L 560 Sommersemester–2 ISIS
Machine Learning and Data Management SystemsSeminar Winter- und Sommersemester–2 ISIS
Mathematische Grundlagen für Maschinelles LernenKurs0434 L 545 Winter- und Sommersemester–2 ISIS
Pythonprogrammierung für ML und DatenanalyseKurs0434 L 543 Winter- und Sommersemester[en]2 ISIS
Workshop Advanced Machine LearningVorlesung 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

Classical Topics in ML (Seminar)

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

Hot Topics In ML (Seminar)

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

Machine Learning and Data Management Systems (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 Datenanalyse (Kurs)

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

Workshop Advanced Machine Learning (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 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.

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.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch, Deutsch
Dauer/Umfang90min

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: 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 / StuPOSemesterStudiengangsbereich
Wirtschaftsingenieurwesen
StuPO 2015
SoSe 2021Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht)
WiSe 2021/22Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht)
SoSe 2022Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht)
WiSe 2022/23Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht)
SoSe 2023Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht)
WiSe 2023/24Ingenieurwissenschaftliche Studienrichtungen › Informations- und Kommunikationssysteme (IKS) › Informations- und Kommunikationssysteme (Wahlpflicht)
Wirtschaftsingenieurwesen
StuPO 2015
SoSe 2021Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
WiSe 2021/22Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
SoSe 2022Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
WiSe 2022/23Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
SoSe 2023Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
WiSe 2023/24Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Systems Engineering & Digitalization

Sonstiges

Keine Angabe