Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Kausale InferenzModulbeschreibung #41042 / Version 2

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Modul / Version#41042 / #2
GültigkeitSoSe 2023 – SoSe 2024
Verfügbare Sprache(n)Deutsch
Leistungspunkte6
Modulverantwortliche*rRunge, Jakob Gerhard Bernhard
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34349202 FG Klimainformatik

Kontakt

SekretariatEN 15
Ansprechpartner*inRunge, Jakob Gerhard Bernhard
E-Mail-Adresserunge@tu-berlin.de
Webseitehttps://climateinformaticslab.com/

Lernergebnisse

“Korrelation ist nicht Kausalität” - nach diesem Mantra scheint sich die datenbasierte Inferenz von Kausalität einer wissenschaftlichen Behandlung zu entziehen. Doch in den letzten Jahrzehnten hat sich die moderne Kausalitätstheorie, begründet durch Informatiker wie Judea Pearl und Philosophen wie Peter Spirtes und Clark Glymour, immer mehr etabliert. Diese Theorie stellt die Beschreibung von Kausalbeziehungen auf eine mathematische Grundlage und erklärt, unter welchen Bedingungen sich kausale Abhängigkeiten aus Beobachtungsdaten schätzen lassen. Das Modul hat ein Verständnis der Kausalitätskonzepte wie auch der statistischen Schätzproblematik zum Ziel und wird die Methoden mit Anwendungsbeispielen insbesondere auch auf Zeitreihen illustrieren.

Lehrinhalte

Im Modul “Kausale Inferenz” werden grundlegende Konzepte der Kausalität nach Pearl und Spirtes eingeführt und der zugehörige mathematische Apparat vorgestellt. Ausgehend vom Konzept der Graphischen Modelle und bedingten Unabhängigkeiten werden Lernalgorithmen diskutiert. Ein wichtiger Teil ist die praktische Schätzproblematik für das Lernen kausaler Graphen und statistischer Verfahren zum Schätzen von bedingten Unabhängigkeiten. Da in vielen angewandten Wissenschaften Zeitreihendaten vorkommen, wird ein besonderer Schwerpunkt auf die für Zeitreihen charakteristischen Problemstellungen liegen. Den Abschluss bilden beispielhafte Anwendungen von kausalen Inferenzmethoden auf Klimazeitreihen.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Kausale InferenzVorlesung Wintersemester[en, de]2 ISIS

Arbeitsaufwand und Leistungspunkte

Kausale Inferenz (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Lehrveranstaltungsunabhängiger Aufwand

AufwandbeschreibungMultiplikatorStundenGesamt
Blockvorlesung Kausale Inferenz152 h30 h
Vor-/Nachbearbeitung154 h60 h
90 h

Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die Blockvorlesung besteht aus 15 Vorlesungen, die auf mehrere Blöcke aufgeteilt werden. Die Termine werden zum Anfang des Semesters festgelegt. Die Leistungsbewertung erfolgt über eine mündliche Prüfung.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Mathematische Kenntnisse, insbesondere Wahrscheinlichkeitstheorie und Statistik. Programmierkenntnisse in Python.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang30 Minuten

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 45.

Anmeldeformalitäten

Für die Anmeldung zur schriftlichen Prüfung ist die Deadline drei Wochen vor dem Ende des Semesters.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

  • Pearl, J. Causality: Models, reasoning, and inference. Cambridge University Press, 2009
  • Spirtes, P., Glymour, C., and Scheines, R., Causation, Prediction, and Search (MIT Press, Boston, 2000)

Zugeordnete Studiengänge

Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Zuordnung Studiengebiete (Master): - Grundlagen der Informatik - Data and Software Engineering - Kognitive Systeme