Maschinelle Intelligenz IIModulbeschreibung #40549 / Version 9
- 6 LP
- Schriftliche Prüfung
- Benotet
- Sommersemester
- Englisch
| Modul / Version | #40549 / #9 |
|---|---|
| Gültigkeit | Seit SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| 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 lernen die zentralen Konzepte, theoretischen Grundlagen und häufig eingesetzten Algorithmen des maschinellen Lernens sowie der künstlichen Intelligenz kennen. Nach Beendigung des Moduls können die Studierenden die Leistungsfähigkeit der besprochenen Verfahren einschätzen, sie können sie auf Probleme in den Anwendungsdomänen erfolgreich einsetzen, und die mit diesen Methoden erzielten Ergebnisse kritisch interpretieren einschließlich, aber nicht beschränkt auf Ansätze, die Nachhaltigkeits- und Ethikaspekte berücksichtigen, sondern auch im Hinblick auf den differenzierten Umgang mit sensiblen Daten aus der realen Welt.. 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
4) Bewusstsein für Ideen und methodische Ansätze zur Bewältigung realer Probleme unter Einbeziehung von Nachhaltigkeits- und Ethikaspekten
1) Verständnis zentraler Konzepte neuronaler Informationsverarbeitung
2) Kenntnisse unüberwachter Architekturen und Lernverfahren
3) Anwendung auf Probleme statistischer Modellierung, explorativer Datenanalyse und Visualisierung
4) Bewusstsein für Ideen und methodische Ansätze zur Bewältigung realer Probleme unter Einbeziehung von Nachhaltigkeits- und Ethikaspekten
Lehrinhalte
1) Hauptkomponentenanalyse, Kernel-PCA
2) Unabhängigkeitsanalyse (Infomax, FastICA, Second Order Blind Source Separation)
3) Stochastische Optimierung
4) Clustering-Verfahren, Einbettung und Datenvisualisierung (zentrales und paarweises Clustering, selbstorganisierende neuronale Karten, Locally Linear Embedding)
5) Dichteschätzung, Mischverteilung, Expectation-Maximization Algorithm, Hidden Markov Model
6) Schätztheorie, Maximum Likelihood-Schätzung, Bayes’scher Modellvergleich
2) Unabhängigkeitsanalyse (Infomax, FastICA, Second Order Blind Source Separation)
3) Stochastische Optimierung
4) Clustering-Verfahren, Einbettung und Datenvisualisierung (zentrales und paarweises Clustering, selbstorganisierende neuronale Karten, Locally Linear Embedding)
5) Dichteschätzung, Mischverteilung, Expectation-Maximization Algorithm, Hidden Markov Model
6) Schätztheorie, Maximum Likelihood-Schätzung, Bayes’scher Modellvergleich
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Machine Intelligence II (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor- und Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Machine Intelligence II (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor- und Nachbereitung | 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.
Übung: Besprechung von Übungsaufgaben, welche sowohl die mathematische Herleitung und Analyse von neuronalen Verfahren als auch die Implementierung und den praktischen Umgang mit den besprochenen Verfahren umfassen.
Übung: Besprechung von Übungsaufgaben, welche sowohl die mathematische Herleitung und Analyse von neuronalen Verfahren als auch die Implementierung und den praktischen Umgang mit den besprochenen Verfahren umfassen.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Solide Mathematikkenntnisse (Linearer Algebra, Analysis, und Wahrscheinlichkeitstheorie oder Statistik; auf einem Niveau vergleichbar mit den Mathematik-Veranstaltungen für Ingenieure)
Grundlegende Programmiererfahrung (Python, Matlab, R, or Julia)
Gute englische Sprachkenntnisse
Grundlegende Programmiererfahrung (Python, Matlab, R, or Julia)
Gute englische Sprachkenntnisse
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 90 Minuten |
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
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Die Anmeldung zur schriftlichen Prüfung erfolgt in der Regel am Semesterende über das elektronische System MOSES der TU Berlin bzw. alternativ per e-mail an das Sekretariat. Prüfungssprache ist Englisch.
Weitere Informationen zur Anmeldung und den Kursmaterialien sind über den jeweils aktuellen ISIS-Kurs erhältlich.
Weitere Informationen zur Anmeldung und den Kursmaterialien sind über den jeweils aktuellen ISIS-Kurs erhältlich.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SoSe 2026 | 1. Kernbereich 1: Informatik und Mathematik |
| WiSe 2026/27 | 1. Kernbereich 1: Informatik und Mathematik | |
| Computer Engineering StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiet B › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| Human Factors StuPO 2018 | SoSe 2026 | V. Wahlpflichtmodule zum Erwerb von Vertiefungswissen (18 LP) › V.1 Domänenbezogene Vertiefungen |
| WiSe 2026/27 | V. Wahlpflichtmodule zum Erwerb von Vertiefungswissen (18 LP) › V.1 Domänenbezogene Vertiefungen | |
| ICT Innovation StuPO 2020 | SoSe 2026 | Studienrichtungen › Major: Embedded Systems › Exit year: Embedded Systems › Exit year Electives: Embedded Systems |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2026 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems |
| WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems | |
| Medieninformatik StuPO 2017 | SoSe 2026 | Wahlpflichtbereich › Technische Profilbereiche (A) › Profilbereich Mensch-Maschine-Interaktion |
| WiSe 2026/27 | Wahlpflichtbereich › Technische Profilbereiche (A) › Mensch-Maschine-Interaktion | |
| Medientechnik StuPO 2022 | SoSe 2026 | Wahlpflichtbereich Profilbereiche › Profilbereich Mensch-Maschine-Interaktion |
| WiSe 2026/27 | Wahlpflichtbereich › Profilbereich › Mensch-Maschine-Interaktion | |
| Physikalische Ingenieurwissenschaft StuPO 2007 (19.12.2007) | SoSe 2026 | 2.3 Mechatronik › 2.3b Ergänzungsbereich |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2026 | 2.3 Mechatronik › 2.3b Ergänzungsbereich |
| WiSe 2026/27 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2026 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction |
| WiSe 2026/27 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems |
Sonstiges
Keine Angabe