Machine Intelligence IIModulbeschreibung #40549 / Version 3
- 6 LP
- Schriftliche Prüfung
- Benotet
- Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v9)
| Modul / Version | #40549 / #3 |
|---|---|
| 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
Die Studierenden können die Leistungsfähigkeit der besprochenen Verfahren einschätzen, sie können sie auf Probleme in den Anwendungsdomänen erfolgreich einsetzen und eigenständig neue Verfahren entwickeln. Qualifikationsziele sind somit:
1) Verständnis zentraler Konzepte neuronaler Informationsverarbeitung
2) Kenntnisse unüberwachter Architekturen und Lernverfahren
3) Anwendung auf Probleme statistischer Modellierung, explorativer Datenanalyse und Visualisierung
1) Verständnis zentraler Konzepte neuronaler Informationsverarbeitung
2) Kenntnisse unüberwachter Architekturen und Lernverfahren
3) Anwendung auf Probleme statistischer Modellierung, explorativer Datenanalyse und Visualisierung
Lehrinhalte
1) Dichteschätzung, Parameterschätzverfahren, Maximum Likelihood Estimation
2) Projektionsmethoden (Hauptkomponentenanalyse, Kernel-PCA, Quellentrennung)
3) Stochastische Optimierung
4) Clustering-Verfahren, Einbettung und Datenvisualisierung (zentrales und paarweises Clustering, selbstorganisierende neuronale Karten)
2) Projektionsmethoden (Hauptkomponentenanalyse, Kernel-PCA, Quellentrennung)
3) Stochastische Optimierung
4) Clustering-Verfahren, Einbettung und Datenvisualisierung (zentrales und paarweises Clustering, selbstorganisierende neuronale Karten)
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Machine Intelligence II (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 II (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit / time of attendance | 15 | 2 h | 30 h |
| Vor- und Nachbereitung / preparation and review | 15 | 6 h | 90 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 assignments cover mathematical exercises as well as numerical simulations and programming exercises. Working in small groups of two to three students is encouraged. Homework assignments and their solutions are presented and discussed during the tutorial. In addition, selected topics presented during the lecture are rehearsed 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 assignments cover mathematical exercises as well as numerical simulations and programming exercises. Working in small groups of two to three students is encouraged. Homework assignments and their solutions are presented and discussed during the tutorial. In addition, selected topics presented during the lecture are rehearsed 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 |
| Sprache | Englisch |
| Dauer/Umfang | 90 min. |
Prüfungsbeschreibung (Abschluss des Moduls)
Mündliche Prüfung: Voraussetzung ist das Vorliegen des unbenoteten Übungsscheins (mindestens 60% der Aufgaben müssen erfolgreich bearbeitet sein). Prüfungssprache (für die mündliche Prüfung) ist wahlweise Deutsch oder Englisch.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
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 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 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