Machine IntelligenceModulbeschreibung #40786 / Version 5
- 12 LP
- Mündliche Prüfung
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #40786 / #5 |
|---|---|
| Gültigkeit | Seit SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 12 |
| Modulverantwortliche*r | Obermayer, Klaus |
| Benotung | Benotet |
| Prüfungsform | Mündliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34351300 FG Neuronale Informationsverarbeitung |
Kontakt
| Sekretariat | MAR 5-6 |
|---|---|
| Ansprechpartner*in | Groiß, Camilla |
| E-Mail-Adresse | sekr@ni.tu-berlin.de |
| Webseite | https://www.bccn-berlin.de/courses-and-modules.html |
Lernergebnisse
In diesem Modul erwerben die Teilnehmer Kenntnisse über:
- Grundkonzepte, ihre theoretischen Grundlagen und die gängigsten Algorithmen, die im maschinellen Lernen
und in der künstlichen Intelligenz verwendet werden
- Stärken und Grenzen der verschiedenen Paradigmen
Sie werden befähigt:
- Methoden und Algorithmen auf reale Probleme anzuwenden
- sich der Leistungskriterien bewusst zu sein
- die mit diesen Methoden erzielten Ergebnisse kritisch zu bewerten
- Algorithmen an neue Aufgaben anzupassen
- neue Algorithmen gemäß den in diesem Kurs vorgestellten Paradigmen zu entwickeln.
- Grundkonzepte, ihre theoretischen Grundlagen und die gängigsten Algorithmen, die im maschinellen Lernen
und in der künstlichen Intelligenz verwendet werden
- Stärken und Grenzen der verschiedenen Paradigmen
Sie werden befähigt:
- Methoden und Algorithmen auf reale Probleme anzuwenden
- sich der Leistungskriterien bewusst zu sein
- die mit diesen Methoden erzielten Ergebnisse kritisch zu bewerten
- Algorithmen an neue Aufgaben anzupassen
- neue Algorithmen gemäß den in diesem Kurs vorgestellten Paradigmen zu entwickeln.
Lehrinhalte
Teil 1: Künstliche neuronale Netze. Konnektionistische Neuronen, das mehrschichtige Perzeptron, Radialbasisfunktionsnetze,
Lernen durch empirische Risikominimierung, gradientenbasierte Optimierung, Überanpassung und Unteranpassung,
Regularisierungstechniken, tiefe Netze, Anwendungen auf Klassifizierungs- und Regressionsprobleme.
Teil 2: Lerntheorie und Support-Vektor-Maschinen. Elemente der statistischen Lerntheorie, Lernen durch
strukturelle Risikominimierung, die C-Support-Vektor-Maschine, Kernel und nichtlineare Entscheidungsgrenzen,
SMO-Optimierung, die P-SVM.
Teil 3: Probabilistische Methoden. Schlussfolgerungen unter Unsicherheit und Bayes'sche Inferenz; grafische Modelle,
Graphen vs. Verteilungen und Belief Propagation; generative Modelle; Bayes'sche Inferenz und neuronale
Netzwerke; nichtparametrische Dichteabschätzung; parametrische Dichteabschätzung und Maximum-Likelihood-Methoden.
Teil 4: Verstärkendes Lernen (MDP, Wertiteration, Politikiteration, Q-Lernen).
Teil 5: Projektionsmethoden. Hauptkomponentenanalyse und Kernel-PCA; unabhängige Komponentenanalyse
und Techniken zur blinden Quellentrennung (Infomax, Fast-ICA, ESD).
Teil 6: Stochastische Optimierung. Simuliertes Annealing, Mean-Field-Techniken.
Teil 7: Clustering und Einbettung. K-Means-Clustering, paarweise Clustering-Methoden, selbstorganisierende Karten
für zentrale und paarweise Daten.
Lernen durch empirische Risikominimierung, gradientenbasierte Optimierung, Überanpassung und Unteranpassung,
Regularisierungstechniken, tiefe Netze, Anwendungen auf Klassifizierungs- und Regressionsprobleme.
Teil 2: Lerntheorie und Support-Vektor-Maschinen. Elemente der statistischen Lerntheorie, Lernen durch
strukturelle Risikominimierung, die C-Support-Vektor-Maschine, Kernel und nichtlineare Entscheidungsgrenzen,
SMO-Optimierung, die P-SVM.
Teil 3: Probabilistische Methoden. Schlussfolgerungen unter Unsicherheit und Bayes'sche Inferenz; grafische Modelle,
Graphen vs. Verteilungen und Belief Propagation; generative Modelle; Bayes'sche Inferenz und neuronale
Netzwerke; nichtparametrische Dichteabschätzung; parametrische Dichteabschätzung und Maximum-Likelihood-Methoden.
Teil 4: Verstärkendes Lernen (MDP, Wertiteration, Politikiteration, Q-Lernen).
Teil 5: Projektionsmethoden. Hauptkomponentenanalyse und Kernel-PCA; unabhängige Komponentenanalyse
und Techniken zur blinden Quellentrennung (Infomax, Fast-ICA, ESD).
Teil 6: Stochastische Optimierung. Simuliertes Annealing, Mean-Field-Techniken.
Teil 7: Clustering und Einbettung. K-Means-Clustering, paarweise Clustering-Methoden, selbstorganisierende Karten
für zentrale und paarweise Daten.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Machine Intelligence I | Vorlesung | 0434 L 866 | Wintersemester | – | 2 | WiSe 2026/27 (1) ISIS |
| Machine Intelligence II | Vorlesung | 0434 L 867 | Sommersemester | – | 2 | ISIS |
| Machine Intelligence I | Übung | 0434 L 866 | Wintersemester | – | 2 | WiSe 2026/27 (1) ISIS |
| Machine Intelligence II | Übung | 0434 L 867 | Sommersemester | – | 2 | ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Machine Intelligence I (Vorlesung) 1
- Machine Intelligence I (Vorlesung) Termingruppe 1 0434 L 866
Machine Intelligence I (Übung) 1
- Machine Intelligence I (Übung) Termingruppe 1 0434 L 866
Arbeitsaufwand und Leistungspunkte
Machine Intelligence I (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Machine Intelligence II (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Machine Intelligence I (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 6 h | 90 h |
| 120 h | |||
Machine Intelligence II (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 6 h | 90 h |
| 120 h | |||
Der Aufwand des Moduls summiert sich zu 360 Stunden. Damit umfasst das Modul 12 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Der Vorlesungsteil besteht aus Unterricht vor der Klasse. Von den Teilnehmern wird erwartet, dass sie die Themen nach dem Unterricht anhand ihrer Mitschriften und der empfohlenen Buchkapitel einüben, um sich auf die Übungen und Tutorien vorzubereiten. Hausaufgaben werden regelmäßig aufgegeben und müssen in der Regel innerhalb von ein bis zwei Wochen gelöst werden. Diese Aufgaben umfassen analytische und mathematische Übungen sowie numerische Simulationen und Programmierübungen. Die Arbeit in kleinen Gruppen von zwei bis drei Studenten wird empfohlen. Die Hausaufgaben und ihre Lösungen werden während des Tutoriums besprochen. Darüber hinaus werden ausgewählte Themen aus der Vorlesung bei Bedarf vom Tutor wiederholt. Die ersten Tutorien umfassen eine kurze Einführung in die Mathematik, und den Studierenden werden Empfehlungen für das Modul „Individuelles Studium” gegeben, wenn
Defizite in ihren mathematischen Kenntnissen offensichtlich werden.
Defizite in ihren mathematischen Kenntnissen offensichtlich werden.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Mathematische Kenntnisse: Analysis, lineare Algebra, Wahrscheinlichkeitsrechnung und Statistik auf einem Niveau, das mit Mathematikkursen für Ingenieure vergleichbar ist (im Umfang von 24 Kreditpunkten).
Grundlegende Programmierkenntnisse.
Gute Beherrschung der englischen Sprache.
Grundlegende Programmierkenntnisse.
Gute Beherrschung der englischen Sprache.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Mündliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 45 Minuten |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 2 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
Die Anmeldung zum Modul erfolgt in der ersten Vorlesung jeder Modulkomponente (vgl. 3). Die Studierenden müssen persönlich anwesend sein. Die Modulkomponenten Maschinelle Intelligenz I (Vorlesung mit Übungen) und Maschinelle Intelligenz II (Vorlesung mit Übungen) können in beliebiger Reihenfolge belegt werden, d. h. die Studierenden können das Modul auch im Sommersemester beginnen. Studierende des Masterstudiengangs Computational Neuroscience müssen sich mindestens 1 Woche vor dem Prüfungstermin für die mündliche Abschlussprüfung anmelden. Die Anmeldung muss mit dem Dokument „Prüfungsanmeldung" von der TU-Webseite (Prüfungen) erfolgen und an das Sekretariat der NI-Gruppe (sekr@ni.tu-berlin.de) geschickt werden. Für Studierende anderer Studiengänge können andere Regelungen gelten. Bitte beachten Sie die Prüfungsordnung Ihres Studiengangs.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar
Empfohlene Literatur
- 01. Bishop, Pattern Recognition and Machine Learning, Springer-Verlag, 2006. (recommended)
- 02. Duda, Hart, Stock, Pattern Classification, Wiley, 2000. (recommended)
- 03. Haykin, Neural Networks, Prentice Hall, 1998. (recommended)
- 04. Kohonen, Self-Organizing Maps, Springer-Verlag, 1997. (recommended)
- 05. Schölkopf, Smola, Learning with Kernels, MIT Press, 2002. (recommended)
- 06. Russel, Norvig, Artificial Intelligence, Prentice Hall, 2003, Chapters 13 and 14. (recommended)
- 07. Cichocki, Amari, Adaptive Blind Signal and Image Processing, Wiley, 2002. (additional)
- 08. Cowell, Dawid, Lauritzen, Spiegelhalter, Probabilistic Networks and Expert Systems, Springer Verlag, 1999. (additional)
- 09. Hyvärinen, Karhunen, Oja, Independent Component Analysis, Wiley, 2001. (additional)
- 10. Jordan (Editor), Learning in Graphical Models, MIT Press, 1999. (additional)
- 11. Kay, Fundamentals of Statistical Signal Processing - Vol. I: Estimation Theory, Prentice Hall, 1993. (additional)
- 12. Ripley, Pattern Recognition and Neural Networks, Cambridge University Press, 1996. (additional)
- 13. Vapnik, Statistical Learning Theory, Wiley, 1998. (additional)
- One or two specific book chapters are assigned / recomended to every topic of the lecture. This list of recommendations is explained during the first class of every module component and is available via TU Berlin’s ISIS platform
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Das Modul ist exklusiv Studenten des Studiengangs „Computational Neuroscience (MSc) vorbehalten. Studenten anderer Studiengänge sollten statt dessen die beiden Module „Machine Intelligence 1“ und „Machine Intelligence 2“ belegen.
The modul is restricted to students of „computational neuroscience (Msc)“. All other students should instead register for the courses „machine intelligence 1“ and „machine intelligence 2“.
The modul is restricted to students of „computational neuroscience (Msc)“. All other students should instead register for the courses „machine intelligence 1“ and „machine intelligence 2“.