Unsicherheit und Maschinelles LernenModulbeschreibung #41113 / Version 2
- 3 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v3)
| Modul / Version | #41113 / #2 |
|---|---|
| Gültigkeit | WiSe 2023/24 – WiSe 2023/24 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 3 |
| Modulverantwortliche*r | Haufe, Stefan |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML) |
Kontakt
| Sekretariat | MAR 4-4 |
|---|---|
| Ansprechpartner*in | Panknin, Danny |
| E-Mail-Adresse | danny.panknin@tu-berlin.de |
| Webseite | http://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.
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
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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Uncertainty in Machine Learning | Seminar | Winter- und Sommersemester | [en] | 2 | ISIS |
Arbeitsaufwand und Leistungspunkte
Uncertainty 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 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.
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.
Grundkenntnisse in Mathematik (insbesondere Analysis, lineare Algebra und Stochastik) werden empfohlen.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte pro Element |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Online-Quiz | 50 | schriftlich | 45 min |
| Präsentation | 50 | schriftlich | 30 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%).
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