Projekt Maschinelles LernenModulbeschreibung #40653 / Version 1
- 9 LP
- Portfolioprüfung
- Benotet
- Wintersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v7)
| Modul / Version | #40653 / #1 |
|---|---|
| Gültigkeit | SS 2014 – WS 2014/15 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 9 |
| Modulverantwortliche*r | Müller, Klaus-Robert |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352000 FG Maschinelles Lernen |
Kontakt
| Sekretariat | FR 6-1 |
|---|---|
| Ansprechpartner*in | Keine Angabe |
| E-Mail-Adresse | TeachingTeam@ml.tu-berlin.de |
| Webseite | http://ml.tu-berlin.de |
Lernergebnisse
Die Studierenden besitzen Kenntnisse und praktische Erfahrung im selbstständigen Anwenden von Methoden des maschinellen Lernens auf einen realen Rohdatensatz in einem spezifischen Anwendungsszenario. Hierzu gehört insbesondere die maschinelle Aufbereitung realer Daten in ein brauchbares Format, das Kalibrieren von Vorhersagemethoden, sowie der Vergleich unterschiedlicher Ansätze. Die Studierenden sind fähig, auch auf anderen realen Daten Methoden des maschinellen
Lernens erfolgreich anzuwenden sowie den Umfang, die Komplexität und die Erfolgsaussichten eines solchen Projektes unter praktischen Gesichtspunkten abzuschätzen.
Lernens erfolgreich anzuwenden sowie den Umfang, die Komplexität und die Erfolgsaussichten eines solchen Projektes unter praktischen Gesichtspunkten abzuschätzen.
Lehrinhalte
Ziel des Projektes ist, eine Vorhersageverfahren (Regression/Klassifikation) für eine reale Anwendung zu entwickeln, auf der Basis einer Open-Source Machine Learning toolbox („shogun“). Dazu wird ein realer Datensatz in Rohdatenformat gegeben. Das Projekt ist in die folgenden drei aufeinander aufbauenden Meilensteine unterteilt.
1. Extraktion von vektoriellen Merkmalsvektoren aus den Rohdaten; univariate und multivariate Bewertung dieser Merkmale.
2. Evaluierung und Vergleich verschiedener Vorhersagemethodiken, Entwicklung geeigneter Bewertungsansätze und Gütemasse.
3. Begründete Auswahl und abschließende Bewertung einer bestimmten Vorhersagemethodik.
Im Unterschied zum Praktikum liegt der Schwerpunkt nicht auf der Implementierung von Machine Learning-Methoden, sondern auf Datenaufbereitung sowie Anwendung, Bewertung und Auswahl von Methoden aus existierenden Toolboxen.
1. Extraktion von vektoriellen Merkmalsvektoren aus den Rohdaten; univariate und multivariate Bewertung dieser Merkmale.
2. Evaluierung und Vergleich verschiedener Vorhersagemethodiken, Entwicklung geeigneter Bewertungsansätze und Gütemasse.
3. Begründete Auswahl und abschließende Bewertung einer bestimmten Vorhersagemethodik.
Im Unterschied zum Praktikum liegt der Schwerpunkt nicht auf der Implementierung von Machine Learning-Methoden, sondern auf Datenaufbereitung sowie Anwendung, Bewertung und Auswahl von Methoden aus existierenden Toolboxen.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Projekt Maschinelles Lernen | Projekt | 0434 L552 | Wintersemester | – | 6 | ISIS |
Arbeitsaufwand und Leistungspunkte
Projekt Maschinelles Lernen (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 6 h | 90 h |
| Vor-/Nachbereitung | 15 | 12 h | 180 h |
| 270 h | |||
Der Aufwand des Moduls summiert sich zu 270 Stunden. Damit umfasst das Modul 9 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Die Studierenden bearbeiten das Projekt selbstständig. Zu Beginn des Semesters und nach jedem Meilenstein findet ein Treffen statt, bei dem die Studierenden ihre Ergebnisse vorstellen und diskutieren (Seminar) und die Zielsetzung des nächsten Meilensteins vorgestellt wird (Vorlesung). Zusätzlich findet eine regelmäßige gemeinsame Sprechstunde statt.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Es gibt keine formalen Voraussetzungen. Die vorherige Teilnahme an den Modulen „Maschinelles Lernen I“ und „Praktikum Maschinelles Lernen“ ist wünschenswert. Sämtlicher Programmcode wird in Python geschrieben.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Programmcode/Dokumentation 1. Meilenstein | 33 | ||
| Programmcode/Dokumentation 2. Meilenstein | 33 | ||
| Programmcode/Dokumentation 3. Meilenstein | 34 |
Prüfungsbeschreibung (Abschluss des Moduls)
Nach jedem Meilenstein geben die Teilnehmer Programmcode sowie eine Dokumentation Ihrer Lösung ab. Sowohl für den Programmcode, als auch für die Dokumentation der Lösung gibt es strikte Vorgaben welche auf der Website bekanntgegeben werden.
Es gibt drei Meilsteine und die Bewertung jedes Meilsteins geht zu 1/3 in die Note ein.
Die Lösungen werden den jeweils anderen Teilnehmern zur Verfügung gestellt, damit diese ggf. in den fol-genden Meilensteinen darauf aufbauen können.
Es gibt drei Meilsteine und die Bewertung jedes Meilsteins geht zu 1/3 in die Note ein.
Die Lösungen werden den jeweils anderen Teilnehmern zur Verfügung gestellt, damit diese ggf. in den fol-genden Meilensteinen darauf aufbauen können.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 10.
Anmeldeformalitäten
Die Anmeldung erfolgt per Email. Die Anmeldungen werden in der Reihenfolge des Eintreffens berücksichtigt; Details und Fristen siehe Fachgebietswebseite
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.
- Homepage der Machine Learning Toolbox shogun: http://www.shogun-toolbox.org/
- ichard 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.
Sonstiges
Keine Angabe