Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Probabilistische und Bayesianische Methoden für ML und KIModulbeschreibung #40638 / Version 4

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Modul / Version#40638 / #4
GültigkeitSS 2017 – WS 2017/18
Verfügbare Sprache(n)Englisch
Leistungspunkte6
Modulverantwortliche*rOpper, Manfred
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34351600 FG Künstliche Intelligenz

Kontakt

SekretariatMAR 4-2
Ansprechpartner*inLippke, Cordula
E-Mail-Adresselehre@ki.tu-berlin.de
Webseitehttp://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.

Lehrinhalte

* Wiederholung Wahrscheinlichkeitstheorie, generative Modelle, Maximum Likelihood, Eigenschaften von Schätzverfahren, Latent variable Models, EM Algorithmus, ICA und probabilistic PCA.
* 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:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Probabilistic and Bayesian Modelling in ML and AIVorlesung0434 L 712 Sommersemester–4 ISIS

Arbeitsaufwand und Leistungspunkte

Probabilistic and Bayesian Modelling in ML and AI (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit154 h60 h
Vor-/Nachbereitungszeit158 h120 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.

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

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch

Prüfungsbeschreibung (Abschluss des Moduls)

Mündliche Prüfung.
(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

Es erfolgte eine durch den Prüfungsausschuss genehmigte Änderung der Prüfungsform von mündlich auf schriftlich (SoSe 2017).