Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Unsicherheit und Maschinelles LernenModulbeschreibung #41113 / Version 2

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v3)
Modul / Version#41113 / #2
GültigkeitWiSe 2023/24 – WiSe 2023/24
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte3
Modulverantwortliche*rHaufe, Stefan
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML)

Kontakt

SekretariatMAR 4-4
Ansprechpartner*inPanknin, Danny
E-Mail-Adressedanny.panknin@tu-berlin.de
Webseitehttp://tu.berlin/uniml

Lernergebnisse

Wissen: Die Studierenden haben einen umfassenden Überblick über die vielfältigen Aspekte der Unsicherheit im maschinellen Lernen erlangt und individuelle, tiefe Einblicke in ein Thema ihrer Wahl gewonnen.

Fertigkeiten: Die Studierenden haben Fähigkeiten erworben oder verfeinert, um wissenschaftliche Literatur eigenständing zu überprüfen und systematisch zu strukturieren. Sie haben an Erfahrung gewonnen, ihre Literaturrecherche vor einem kritischen Publikum zu präsentieren und an wissenschaftlichen Diskussionen teilzunehmen.

Kompetenzen: Die Studierenden sind in der Lage, neuartige wissenschaftliche Ergebnisse im Bereich der Unsicherheit im maschinellen Lernen kritisch zu reflektieren. Sie können diese Ergebnisse auf die Literatur beziehen und ihre Qualität und Auswirkungen anhand angemessener Metriken bewerten.

Lehrinhalte

Metrologie in Data Science und Machine Learning

Grundlagen der Stochastik, Wahrscheinlichkeitstheorie und Statistik
- Zufallsvariablen, Wahrscheinlichkeitsräume, Wahrscheinlichkeitsdichtefunktionen
- Unabhängigkeit, Marginalisierung
- Gesetz der großen Zahlen
- Zentraler Grenzwertsatz
- Bayes'sche Inferenz, a Priori und a Posteriori Verteilung
- Konfidenz- und Glaubwürdigkeitsintervalle
- Bootstrap, Jackknife, Methode der Surrogatdaten

Unsicherheitsfortpflanzung durch feste Messgleichungen
- Leitfaden zur Ausdrucksweise der Unsicherheit bei Messungen (GUM)
- Polynomielles Chaos
- Monte-Carlo-Methoden

Unsicherheitsschätzung in Machine Learning und Deep Learning
- Aleatorische und epistemische Unsicherheit
- Hierarchische und empirische Bayes'sche Modelle, Vorhersageverteilung
- Gauss'sche Prozesse
- Fehler-in-Variablen-Modelle
- Robuste Regression
- Bayes'sche/Probabilistische neuronale Netze
- Dropout
- Ensemble-Methoden
- Monte-Carlo-Methoden
- Konforme Vorhersage
- Variationelle Inferenz
- Normalisierende Flüsse, invertierbare neuronale Netze, Diffusionsmodelle

Messgrößen der Kalibrierung von Unsicherheit
- Proper Scoring Rules
- Kalibrierungskurven

Fortgeschrittene Themen
- Out-of-Distribution Erkennung
- Aktives Lernen zur Unsicherheitsreduzierung

Anwendungen der Unsicherheitsschätzung im Machine Learning

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Uncertainty in Machine LearningSeminar Winter- und Sommersemester[en]2 ISIS

Arbeitsaufwand und Leistungspunkte

Uncertainty in Machine Learning (Seminar)

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

Der Aufwand des Moduls summiert sich zu 90 Stunden. Damit umfasst das Modul 3 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul besteht aus einem Seminar. Zu Beginn des Semesters wählen die Studierenden ein Thema aus einer Sammlung von bereitgestellter Fachliteratur aus.
Im Laufe des Semesters machen sich die Studierenden mit dem Thema vertraut und bereiten eine Präsentation vor. Dabei halten sie regelmäßig Rücksprache mit einem ihnen zugewiesenen Betreuer.
Am Ende des Semesters halten die Studierenden im Rahmen eines Blockseminars eine Präsentation.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Ein Bacherlor-Abschluss in Informatik wird empfohlen. Es wird empfohlen, ein einführendes Modul in ML wie "Machine Learning I" oder "Machine Intelligence I" erfolgreich abgeschlossen zu haben.
Grundkenntnisse in Mathematik (insbesondere Analysis, lineare Algebra und Stochastik) werden empfohlen.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte pro Element
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
Online-Quiz50schriftlich45 min
Präsentation50schriftlich30 min

Prüfungsbeschreibung (Abschluss des Moduls)

Die Modulnote wird berechnet auf Grundlage von

1. Der Qualität der Präsentation (50%).
2. Der Leistung in einem Online-Quiz, das alle Präsentationen des Blockseminars abdeckt (50%).

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

Die maximale Teilnehmerzahl beträgt 16.

Anmeldeformalitäten

Studierende können sich für den Kurs in MOSES anmelden.

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

Keine Angabe