Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Maschinelles Lernen 1Modulbeschreibung #40550 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v6)
Modul / Version#40550 / #1
GültigkeitWS 2013/14 – SS 2014
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte9
Modulverantwortliche*rMüller, Klaus-Robert
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch, Deutsch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352000 FG Maschinelles Lernen

Kontakt

SekretariatFR 6-1
Ansprechpartner*inKauffmann, Jacob Reinhard
E-Mail-Adressej.kauffmann@tu-berlin.de
Webseitehttps://wiki.ml.tu-berlin.de/wiki/

Lernergebnisse

Die Studierenden sind in der Lage, eigenständig die wesentlichen Verfahren des maschinellen Lernens auf neuen Daten anzuwenden. Dies umfasst Methoden zur Klassifikation, Regression, Dimensionsreduktion und Clustering. Darüberhinaus vermittelt das Modul das theoretische Rüstzeug (Wahrscheinlichkeitstheorie, Optimierungstheorie), um Verfahren weiterzuentwickeln und theoretisch zu analysieren.

In der Wahlpflichtveranstaltung kann der Teilnehmer je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:

* Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens.

* Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums.

* Seminar Maschinelles Lernen: im Seminar wird das selbststandige Einarbeiten und Prasentieren von Wissenschaftlichen Ergebnissen geübt.

Lehrinhalte

Grundlagen der Wahrscheinlichkeitstheorie, Schätztheorie (Maximum-Likelihood, EM-Algorithmus).

Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA, ICA), Clustering, überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Re-gression, Gaußprozesse)

Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar), Matlab für Maschinelles Lernen (Kurs), Python für Maschinelles Lernen (Kurs) oder Mathematische Grundlagen (Kurs). Das Seminar „Classical Topics in Machine Learning“ findet jedes Semester statt, darüber hinaus werden in unregelmäßigen Abständen spezielle Seminare angeboten; die Modulbeschreibung wird dementsprechend ergänzt.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Maschinelles Lernen IIntegrierte Veranstaltung0434 L 501 Wintersemester–4 ISIS

Wahlpflichtbereich

Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Boosting and Model AveragingSeminar Winter- und Sommersemester–2 ISIS
Classical Topics in MLSeminar0434 L588 Wintersemester–2 ISIS
DimensionsreduktionSeminar Winter- und Sommersemester–2 ISIS
Doktoranden- und DiplomandenseminarSeminar Winter- und Sommersemester–2 ISIS
Feature SelectionSeminar Winter- und Sommersemester–2 ISIS
Halbüberwachtes LernenSeminar Winter- und Sommersemester–2 ISIS
Kernels for Structured DataSeminar Winter- und Sommersemester–2 ISIS
Learning on Structured DataSeminar Winter- und Sommersemester–2 ISIS
Lernen unter NichtstationaritätenSeminar Winter- und Sommersemester–2 ISIS
Machine Learning for Computer VisionSeminar Winter- und Sommersemester–2 ISIS
Machine Learning for Intelligent RobotsSeminar Winter- und Sommersemester–2 ISIS
Maschinelles Lernen in der IT-SicherheitSeminar Winter- und Sommersemester–2 ISIS
Mathematische Grundlagen für Maschinelles LernenKurs0434 L 545 Winter- und Sommersemester–2 ISIS
Matlabprogrammierung für ML und DatenanlyseKurs0434 L 544 Winter- und Sommersemester–2 ISIS
Moderne Verfahren des Maschinellen Lernens: KausalanalyseSeminar Winter- und Sommersemester–2 ISIS
Neuronale NetzeSeminar0430 L 451 Sommersemester–2 ISIS
Pythonprogrammierung für ML und DatenanlyseKurs0434 L543 Winter- und Sommersemester–2 ISIS
Regression and Optimization Methods in RoboticsSeminar Winter- und Sommersemester–2 ISIS
Representations in Machine LearningSeminar Winter- und Sommersemester–2 ISIS
Singular Learning TheorySeminar Winter- und Sommersemester–2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (5)

Maschinelles Lernen I (Integrierte Veranstaltung) 4

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Maschinelles Lernen I (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit154 h60 h
Vor-/Nachbereitung158 h120 h
180 h

Boosting and Model Averaging (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

Dimensionsreduktion (Seminar)

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

Doktoranden- und Diplomandenseminar (Seminar)

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

Feature Selection (Seminar)

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

Halbüberwachtes Lernen (Seminar)

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

Kernels for Structured Data (Seminar)

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

Learning on Structured Data (Seminar)

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

Lernen unter Nichtstationaritäten (Seminar)

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

Machine Learning for Computer Vision (Seminar)

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

Machine Learning for Intelligent Robots (Seminar)

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

Maschinelles Lernen in der IT-Sicherheit (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

Matlabprogrammierung für ML und Datenanlyse (Kurs)

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

Moderne Verfahren des Maschinellen Lernens: Kausalanalyse (Seminar)

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

Neuronale Netze (Seminar)

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

Pythonprogrammierung für ML und Datenanlyse (Kurs)

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

Regression and Optimization Methods in Robotics (Seminar)

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

Representations in Machine Learning (Seminar)

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

Singular Learning Theory (Seminar)

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

Der Aufwand des Moduls summiert sich zu 1980 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die IV besteht aus einem Vorlesungsteil (Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes) und einem Anteil praktischer Arbeit. Letztere besteht aus dem selbstständigen Bearbeiten von Übungsaufgaben. Der Kurs besteht aus einer mehrtägigen Blockveranstaltung, in der gemeinsam unter Anleitung Übungsaufgaben bearbeitet werden. Die Seminarvorträge werden unter Anleitung eines Betreuers 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 Lineare Algebra, Analysis, Wahr-scheinlichkeitsrechnung. Der Kurs „Mathematische Grundlagen des Maschinellen Lernens“ bietet eine kompakte Einführung bzw. Auffrischung dieser Themen. Dieses Modul ist auch für Bachelorstudenten geeignet.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch, Deutsch

Prüfungsbeschreibung (Abschluss des Moduls)

Die Modulprüfung ist eine schriftliche Klausur.

Voraussetzungen für die Teilnahme an der Modulprüfung:
1. 50% der Übungen in der Integrierten Veranstaltung; und
2. je nach Wahlpflichtkomponente:
a. bestander schriftlicher Test im Kurs „Matlab Programmierung ...“
b. bestandener schriftlicher Test im Kurs „Mathematische Grundlagen...“
c. erfolgreiche Präsentation in einem Seminar

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 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
  • 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

Dieses Modul findet in keinem Studiengang Verwendung.

Service-Veranstaltung für andere Studiengänge (vor allem aus dem natur- und ingenieurwissenschaftlichen Bereich und der Mathematik)

Sonstiges

Keine Angabe