Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Projekt Maschinelles LernenModulbeschreibung #40653 / Version 7

← Zur Modulseite English version
Modul / Version#40653 / #7
GültigkeitSeit SoSe 2026
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte9
Modulverantwortliche*rMüller, Klaus-Robert
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

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

Kontakt

SekretariatFR 6-1
Ansprechpartner*inKeine Angabe
E-Mail-AdresseTeachingTeam@ml.tu-berlin.de
Webseitehttp://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.

Lehrinhalte

Ziel des Projektes ist, eine Vorhersageverfahren (Regression/Klassifikation) für eine reale Anwendung zu entwickeln, auf der Basis einer Open-Source Machine Learning toolbox. 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.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Projekt Maschinelles LernenProjekt0434 L552 Wintersemester–6 ISIS

Arbeitsaufwand und Leistungspunkte

Projekt Maschinelles Lernen (Projekt)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit156 h90 h
Vor-/Nachbereitung1512 h180 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 in Zweiergruppen. 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

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Ergebnisprüfung) Programmcode/Dokumentation 1. Meilenstein33schriftlichca. 6 Wochen
(Ergebnisprüfung) Programmcode/Dokumentation 2. Meilenstein33schriftlichca. 6 Wochen
(Ergebnisprüfung) Programmcode/Dokumentation 3. Meilenstein34schriftlichca. 6 Wochen

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 folgenden 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 20.

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 scikit-learn: http://scikit-learn.org/
  • 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

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems
WiSe 2026/27Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
SoSe 2026Studiengebiete › Kognitive Systeme / Cognitive Systems
WiSe 2026/27Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems
Elektrotechnik
StuPO 2015
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
SoSe 2026Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems
WiSe 2026/27Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems
Medieninformatik
StuPO 2017
SoSe 2026Wahlpflichtbereich › Technische Profilbereiche (A) › Profilbereich Data Science
WiSe 2026/27Wahlpflichtbereich › Technische Profilbereiche (A) › Data Science
Medientechnik
StuPO 2022
SoSe 2026Wahlpflichtbereich Profilbereiche › Profilbereich Data Science
WiSe 2026/27Wahlpflichtbereich › Profilbereich › Data Science
Wirtschaftsingenieurwesen
StuPO 2015
SoSe 2026Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
WiSe 2026/27Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems

Sonstiges

Keine Angabe