Maschinelles Lernen 1-X (9 LP)Modulbeschreibung #40834 / Version 1
- 9 LP
- Schriftliche Prüfung
- Benotet
- Winter- und Sommersemester
- Deutsch
| Modul / Version | #40834 / #1 |
|---|---|
| Gültigkeit | SS 2017 – WS 2017/18 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 9 |
| Modulverantwortliche*r | Müller, Klaus-Robert |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Deutsch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352000 FG Maschinelles Lernen |
Kontakt
| Sekretariat | MAR 4-1 |
|---|---|
| Ansprechpartner*in | Montavon, Gregoire |
| E-Mail-Adresse | klaus-robert.mueller@tu-berlin.de |
| Webseite | https://wiki.ml.tu-berlin.de/wiki/ |
Lernergebnisse
In der Wahlpflichtveranstaltung können die Teilnehmer:innen je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:
* Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens.
* Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums.
* Seminar Maschinelles Lernen: im Seminar wird das selbstständige Einarbeiten und Präsentieren von Wissenschaftlichen Ergebnissen geübt.
Lehrinhalte
Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA, ICA), Clustering, überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Regression, Gaußprozesse)
Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar), Matlab für Maschinelles Lernen (Kurs), Python für Maschinelles Lernen (Kurs) oder Mathematische Grundlagen (Kurs). Die Seminare „Classical Topics in Machine Learning“ und „Hot Topics in Machine Learning“ finden jedes Winter- bzw Sommersemester statt. Darüber hinaus werden in unregelmäßigen Abständen spezielle Seminare angeboten; die Modulbeschreibung wird dementsprechend ergänzt.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Maschinelles Lernen I | Integrierte Veranstaltung | 0434 L 501 | Wintersemester | – | 4 | WiSe 2026/27 (4) ISIS |
Wahlpflichtbereich
Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Algorithms for brain reading and writing | Seminar | Wintersemester | – | 2 | ISIS | |
| Bayesian Learning | Vorlesung | 343 L 8043 | Wintersemester | – | 2 | ISIS |
| Big Data: Skalierbares Maschinelles Lernen | Seminar | Wintersemester | – | 2 | ISIS | |
| Big Data: Skalierbares Maschinelles Lernen | Kurs | Wintersemester | – | 2 | ISIS | |
| Boosting and Model Averaging | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Classical Topics in ML | Seminar | 0434 L 588 | Wintersemester | – | 2 | ISIS |
| Machine Learning and Data Management Systems | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Mathematische Grundlagen für Maschinelles Lernen | Kurs | 0434 L 545 | Winter- und Sommersemester | – | 2 | WiSe 2026/27 (1) ISIS |
| Matlabprogrammierung für ML und Datenanlyse | Kurs | 0434 L 544 | Winter- und Sommersemester | – | 2 | ISIS |
| Neuronale Netze (EMSP) | Seminar | 0430 L 451 | Wintersemester | – | 2 | ISIS |
| Pythonprogrammierung für ML und Datenanlyse | Kurs | 0434 L 543 | Winter- und Sommersemester | – | 2 | ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (5)
Maschinelles Lernen I (Integrierte Veranstaltung) 4
- Maschinelles Lernen I (Integrierte Veranstaltung) Exercises (Machine Learning I) 0434 L 501
- Maschinelles Lernen I (Integrierte Veranstaltung) Lectures (Machine Learning I) 0434 L 501
- Maschinelles Lernen I (Integrierte Veranstaltung) Mathematical Foundations for Machine Learning (Exercises) 0434 L 501
- Maschinelles Lernen I (Integrierte Veranstaltung) Mathematical Foundations for Machine Learning (Lectures) 0434 L 501
Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1
- Mathematische Grundlagen für Maschinelles Lernen (Math4ML) (Vorlesung) 1. Termingruppe 0434 L 545
Arbeitsaufwand und Leistungspunkte
Maschinelles Lernen I (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 4 h | 60 h |
| Vor-/Nachbereitung | 15 | 8 h | 120 h |
| 180 h | |||
Algorithms for brain reading and writing (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Bayesian Learning (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 0 h | 0 h |
| 0 h | |||
Big Data: Skalierbares Maschinelles Lernen (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Big Data: Skalierbares Maschinelles Lernen (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Boosting and Model Averaging (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Classical Topics in ML (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning and Data Management Systems (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Mathematische Grundlagen für Maschinelles Lernen (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Matlabprogrammierung für ML und Datenanlyse (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Neuronale Netze (EMSP) (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Pythonprogrammierung für ML und Datenanlyse (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 1080 Stunden. Damit umfasst das Modul 9 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Keine Angabe
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Dieses Modul hat keine wünschenswerten Voraussetzungen für die Lehrveranstaltungen.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch, Deutsch |
| Dauer/Umfang | 120 Minuten |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 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
Keine Angabe
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.