Machine Intelligence IModulbeschreibung #40548 / Version 4
- 6 LP
- Schriftliche Prüfung
- Benotet
- Wintersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v9)
| Modul / Version | #40548 / #4 |
|---|---|
| Gültigkeit | SS 2017 – WS 2017/18 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Obermayer, Klaus |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34351300 FG Neuronale Informationsverarbeitung |
Kontakt
| Sekretariat | MAR 5-6 |
|---|---|
| Ansprechpartner*in | Obermayer, Klaus |
| E-Mail-Adresse | oby@ni.tu-berlin.de |
| Webseite | https://www.tu.berlin/ni/studium-lehre/ |
Lernergebnisse
Am Ende der Veranstaltung sind die Teilnehmer in der Lage, die Leistungsfähigkeit der besprochenen Verfahren einzuschätzen und sie auf Probleme in den Anwendungsdomänen erfolgreich einzusetzen. Qualifikationsziele sind somit:
1) Verständnis der wichtigsten Theorien und Verfahren des induktiven Lernens
2) Anwendung auf Regressions- und Klassifikationsprobleme (Mustererkennung)
3) Kenntnis der grundlegenden Konzepte neuronaler Informationsverarbeitung
4) Verständnis der theoretischen Grundlagen für die Entwicklung neuer Verfahren
1) Verständnis der wichtigsten Theorien und Verfahren des induktiven Lernens
2) Anwendung auf Regressions- und Klassifikationsprobleme (Mustererkennung)
3) Kenntnis der grundlegenden Konzepte neuronaler Informationsverarbeitung
4) Verständnis der theoretischen Grundlagen für die Entwicklung neuer Verfahren
Lehrinhalte
1) Grundlagen induktiven Lernens: Empirical Risk Minimization, Structural Risk Minimization, Bayesian Inference
2) Lernen und Generalisierung, Techniken der Regularisierung
3) Künstliche neuronale Netze (konnektionistische Neuronen, das Multilagen-Perzeptron, radiale Basisfunktionen, tiefe Netze)
4) Statistische Lerntheorie und Support Vector Maschinen
5) Graphische Modelle: Schließen unter Unsicherheit, Bayes'sche Inferenz und neuronale Netze
6) Reinforcement Learning (MDP, value iteration, policy iteration, Q-learning)
2) Lernen und Generalisierung, Techniken der Regularisierung
3) Künstliche neuronale Netze (konnektionistische Neuronen, das Multilagen-Perzeptron, radiale Basisfunktionen, tiefe Netze)
4) Statistische Lerntheorie und Support Vector Maschinen
5) Graphische Modelle: Schließen unter Unsicherheit, Bayes'sche Inferenz und neuronale Netze
6) Reinforcement Learning (MDP, value iteration, policy iteration, Q-learning)
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Machine Intelligence I | Vorlesung | 0434 L 866 | Wintersemester | – | 2 | WiSe 2026/27 (1) ISIS |
| Machine Intelligence I | Übung | 0434 L 866 | Wintersemester | – | 2 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Machine Intelligence I (Vorlesung) 1
- Machine Intelligence I (Vorlesung) Termingruppe 1 0434 L 866
Machine Intelligence I (Übung) 1
- Machine Intelligence I (Übung) Termingruppe 1 0434 L 866
Arbeitsaufwand und Leistungspunkte
Machine Intelligence I (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit / time of attendance | 15 | 2 h | 30 h |
| Vor- und Nachbereitung / preparation and review | 15 | 2 h | 30 h |
| 60 h | |||
Machine Intelligence I (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Hausaufgaben / homework | 15 | 6 h | 90 h |
| Päsenzzeit / time of attendance | 15 | 2 h | 30 h |
| 120 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Vorlesung: Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes
Übungen: Besprechung von Übungsaufgaben, die von den Teilnehmern als Hausaufgaben bearbeitet werden. Die Übungsaufgaben umfassen sowohl die Analyse und Entwicklung von neuronalen Verfahren als auch den praktischen Umgang mit den besprochenen Verfahren.
The lecture part consists of teaching in front of the class. Participants are expected to rehearse topics after class, using their class notes as well as recommended book chapters, in preparation for the exercises and tutorials.
Homework assignments are given on a regular basis, and must be usually solved within a week. These ssignments cover mathematical exercises as well as numerical simulations and programming exercises. orking in small groups of two to three students is encouraged. Homework assignments and their solutions are resented and discussed during the tutorial. In addition, selected topics presented during the lecture are ehearsed by the tutor as needed. The first tutorials cover a brief mathematics primer.
Übungen: Besprechung von Übungsaufgaben, die von den Teilnehmern als Hausaufgaben bearbeitet werden. Die Übungsaufgaben umfassen sowohl die Analyse und Entwicklung von neuronalen Verfahren als auch den praktischen Umgang mit den besprochenen Verfahren.
The lecture part consists of teaching in front of the class. Participants are expected to rehearse topics after class, using their class notes as well as recommended book chapters, in preparation for the exercises and tutorials.
Homework assignments are given on a regular basis, and must be usually solved within a week. These ssignments cover mathematical exercises as well as numerical simulations and programming exercises. orking in small groups of two to three students is encouraged. Homework assignments and their solutions are resented and discussed during the tutorial. In addition, selected topics presented during the lecture are ehearsed by the tutor as needed. The first tutorials cover a brief mathematics primer.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Gute Programmierkenntnisse, Grundkenntnisse in Linearer Algebra, Analysis und Wahrscheinlichkeitstheorie
Mathematical knowledge: Analysis, linear algebra, probability calculus and statistics, on a level comparable
to mathematics courses for engineers.
Basic programming skills (Python, Matlab, or R).
Good command of the English language.
Mathematical knowledge: Analysis, linear algebra, probability calculus and statistics, on a level comparable
to mathematics courses for engineers.
Basic programming skills (Python, Matlab, or R).
Good command of the English language.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
| Dauer/Umfang | 90 min. |
Prüfungsbeschreibung (Abschluss des Moduls)
mündliche Prüfung (Voraussetzung ist das Vorliegen des Übungsscheins) unbenoteter Übungsschein (mindestens 60% der Aufgaben erfolgreich bearbeitet)
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 80.
Anmeldeformalitäten
Die Anmeldung zur schriftliche Prüfung erfolgt über Moses. Prüfungssprache ist Englisch. Beide Wiederholungsprüfungen werden als mündliche Prüfungen abgelegt.
Informationen zur Anmeldung sind über die Web-Seiten des Fachgebiets NI http://www.ni.tu-berlin.de/teaching/ und über das Sekretariat MAR 5042 erhältlich.
The final grade is determined by the grade obtained in the written exam, which is held in English. Both potential re-examinations are oral exams. Other than that, the examination procedure is regulated by the General Examination Regulation of the Technical University (Ordnung zur Regelung des allgemeinen Prüfungsverfahrens in Bachelor- und Masterstudiengängen) and by the Examination Regulation of the Master Program Computational Neuroscience.
Further information regarding registration and course material are available via the webpages http://www.ni.tu-berlin.de/teaching/ and at the office MAR 5042.
Informationen zur Anmeldung sind über die Web-Seiten des Fachgebiets NI http://www.ni.tu-berlin.de/teaching/ und über das Sekretariat MAR 5042 erhältlich.
The final grade is determined by the grade obtained in the written exam, which is held in English. Both potential re-examinations are oral exams. Other than that, the examination procedure is regulated by the General Examination Regulation of the Technical University (Ordnung zur Regelung des allgemeinen Prüfungsverfahrens in Bachelor- und Masterstudiengängen) and by the Examination Regulation of the Master Program Computational Neuroscience.
Further information regarding registration and course material are available via the webpages http://www.ni.tu-berlin.de/teaching/ and at the office MAR 5042.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe