Maschinelles Lernen 1-X (9 LP)Modulbeschreibung #40834 / Version 3
- 9 LP
- Schriftliche Prüfung
- Benotet
- Winter- und Sommersemester
- Deutsch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
| Modul / Version | #40834 / #3 |
|---|---|
| Gültigkeit | WS 2019/20 – WS 2019/20 |
| 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
Die Studierenden sind in der Lage, eigenständig die wesentlichen Verfahren des maschinellen Lernens auf neuen Daten anzuwenden. Dies umfasst Methoden zur Klassifikation, Regression, Dimensionsreduktion und Clustering. Darüber hinaus vermittelt das Modul das theoretische Rüstzeug (Wahrscheinlichkeitstheorie, Optimierungstheorie), um Verfahren weiterzuentwickeln und theoretisch zu analysieren.
Je nach Wahlpflichtkurs können die Studierenden zudem entweder ihre mathematisch Kenntnisse, ihre Python Erfahrung oder ein individuell gewähltes Anwendungsgebiet aus dem Maschinellen Lernen vertiefen.
Je nach Wahlpflichtkurs können die Studierenden zudem entweder ihre mathematisch Kenntnisse, ihre Python Erfahrung oder ein individuell gewähltes Anwendungsgebiet aus dem Maschinellen Lernen vertiefen.
Lehrinhalte
Grundlagen der Wahrscheinlichkeitstheorie, Schätztheorie (Maximum-Likelihood, EM-Algorithmus).
Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA), Clustering, überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Regression, Gaußprozesse, Neuronale Netze)
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.
* Seminare: in den jeweiligen Seminaren wird das selbstständige Einarbeiten und Präsentieren von Wissenschaftlichen Ergebnissen geübt.
* Bayesian Learning, Deep Neural Networks, Machine Learning in the Sciences: in den jeweiligen Zusatzvorlesungen wird das entsprechende Thema theoretisch zusätzlich vertieft
Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA), Clustering, überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Regression, Gaußprozesse, Neuronale Netze)
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.
* Seminare: in den jeweiligen Seminaren wird das selbstständige Einarbeiten und Präsentieren von Wissenschaftlichen Ergebnissen geübt.
* Bayesian Learning, Deep Neural Networks, Machine Learning in the Sciences: in den jeweiligen Zusatzvorlesungen wird das entsprechende Thema theoretisch zusätzlich vertieft
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 |
| Deep Neural Networks | Vorlesung | Winter- und Sommersemester | – | 2 | ISIS | |
| Machine Learning and Data Management Systems | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Machine Learning in the Sciences | Vorlesung | 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 |
| Pythonprogrammierung für ML und Datenanlyse | Kurs | 0434 L 543 | Winter- und Sommersemester | – | 2 | ISIS |
| Scientific applications in Machine Learning | Seminar | 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 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 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 | |||
Deep Neural Networks (Vorlesung)
| 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 | |||
Machine Learning in the Sciences (Vorlesung)
| 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 | |||
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 | |||
Scientific applications in Machine Learning (Seminar)
| 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 1350 Stunden. Damit umfasst das Modul 9 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Die IV besteht aus einem Vorlesungsteil (Frontalunterricht vor allen Teilnehmer:innen zur Vermittlung des Stoffes) und einem Anteil praktischer Arbeit. Letztere besteht aus dem selbstständigen Bearbeiten von Übungsaufgaben.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Lineare Algebra, Analysis, Wahrscheinlichkeitsrechnung. Dieses Modul ist auch für Bachelorstudierende geeignet.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.
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: 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
Keine.
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.
Sonstiges
Die doppelte Anerkennung einzelner Lehrveranstaltungen aus bereits belegten Modulen ist ausgeschlossen.