Probabilistische und Bayesianische Methoden für ML und KIModulbeschreibung #40638 / Version 1
- 6 LP
- Mündliche Prüfung
- Benotet
- Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
| Modul / Version | #40638 / #1 |
|---|---|
| Gültigkeit | SS 2014 – SS 2014 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Opper, Manfred |
| Benotung | Benotet |
| Prüfungsform | Mündliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34351600 FG Künstliche Intelligenz |
Kontakt
| Sekretariat | MAR 4-2 |
|---|---|
| Ansprechpartner*in | Lippke, Cordula |
| E-Mail-Adresse | lehre@ki.tu-berlin.de |
| Webseite | http://www.ki.tu-berlin.de/menue/lehre |
Lernergebnisse
Die Studierenden verstehen die grundlegenden Konzepte statistischer Modellierung in KI und maschinellem Lernen, kennen die wichtigsten Modelle und ihre Anwendungsgebiete und haben die Kompetenz zum Verständnis aktueller Literatur.
Die Studierenden sind in der Lage, die Leistungsfähigkeit der besprochenen Verfahren einzuschätzen, diese auf Probleme in den Anwendungsdomänen erfolgreich einzusetzen und gegebenenfalls neue Modelle zu entwickeln.
Das Modul vermittelt überwiegend:
Fachkompetenz 50x Methodenkompetenz 40x Systemkompetenz 10x Sozialkompetenz 0x
Die Studierenden sind in der Lage, die Leistungsfähigkeit der besprochenen Verfahren einzuschätzen, diese auf Probleme in den Anwendungsdomänen erfolgreich einzusetzen und gegebenenfalls neue Modelle zu entwickeln.
Das Modul vermittelt überwiegend:
Fachkompetenz 50x Methodenkompetenz 40x Systemkompetenz 10x Sozialkompetenz 0x
Lehrinhalte
* Wiederholung Wahrscheinlichkeitstheorie, generative Modelle, Maximum Likelihood, Eigenschaften von Schätzverfahren, Latent variable Models, EM Algorithmus, ICA aund probabilistic PCA.
* Bayes Methoden, Modell-Selektion, generalised linear models, Gauss'sche Prozesse, Dirichletprozesse
* Inferenztechniken: Laplace Näherung, Monte Carlo Methoden, variationelle Verfahren
* Bayes Methoden, Modell-Selektion, generalised linear models, Gauss'sche Prozesse, Dirichletprozesse
* Inferenztechniken: Laplace Näherung, Monte Carlo Methoden, variationelle Verfahren
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Probabilistic and Bayesian Modelling in ML and AI | Vorlesung | 0434 L 712 | Sommersemester | – | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Probabilistic and Bayesian Modelling in ML and AI (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Vor-/Nachbereitungszeit | 15 | 8 h | 120 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Integrierte Lehrveranstaltung bestehend aus Vorlesungs- und Übungsanteil.
Vorlesung: Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes kombiniert mit etwa 5 Übungen. Hier werden Übungsaufgaben besprochen, die von den Teilnehmern als Hausaufgaben bearbeitet werden. Die Übungsaufgaben umfassen sowohl die Analyse und Entwicklung von probabilistichen Modellen als auch den praktischen Umgang mit den besprochenen Verfahren.
Unterrichtssprache in dem Modul ist englisch.
Vorlesung: Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes kombiniert mit etwa 5 Übungen. Hier werden Übungsaufgaben besprochen, die von den Teilnehmern als Hausaufgaben bearbeitet werden. Die Übungsaufgaben umfassen sowohl die Analyse und Entwicklung von probabilistichen Modellen als auch den praktischen Umgang mit den besprochenen Verfahren.
Unterrichtssprache in dem Modul ist englisch.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Vorausgesetzt werden Grundkenntnisse in Mathematik (Lineare Algebra, Analysis, Stochastik) sowie Programmierkenntnisse.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Mündliche Prüfung |
| Sprache | Englisch |
Prüfungsbeschreibung (Abschluss des Moduls)
Mündliche Prüfung.
(Voraussetzung für die mündliche Prüfung ist das Vorliegen des Übungsscheins). Unbenoteter Übungsschein (mindestens 60% der Aufgaben erfolgreich bearbeitet)
(Voraussetzung für die mündliche Prüfung 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: Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Die Anmeldung zur Lehrveranstaltung erfolgt über die ISIS-Seite. Dies ersetzt nicht die Prüfungsanmeldung beim Prüfungsamt, bzw. in QISPOS.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar – Die Folien zur Lehrveranstaltung werden in ISIS zur Verfügung gestellt.
Empfohlene Literatur
- Information Theory, Inference, and Learning Algorithms, David J C MacKay, Cambridge University Press.
- Pattern Recognition and Machine Learning, Christopher M. Bishop,Springer, 2006
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe