Unsicherheit und Maschinelles LernenModulbeschreibung #41113 / Version 3
- 3 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #41113 / #3 |
|---|---|
| Gültigkeit | Seit SoSe 2024 |
| 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, welches entweder in einem wöchentlichen Rhythmus oder am Ende des Semesters an zwei Tagen als ganztägige Veranstaltung durchgeführt wird.
Zu Beginn des Semesters wählen die Studierenden ein Thema aus einer Sammlung von bereitgestellter Fachliteratur aus.
Die Studierenden machen sich mit dem Thema vertraut und bereiten eine Präsentation vor, die sie dann vor der Klasse halten. Dabei halten sie regelmäßig Rücksprache mit einem ihnen zugewiesenen Betreuer.
Die Kursnote setzt sich zusammen aus der Präsentation der Studierenden sowie einem Quiz, das alle Präsentationen des Seminars umfasst.
Zu Beginn des Semesters wählen die Studierenden ein Thema aus einer Sammlung von bereitgestellter Fachliteratur aus.
Die Studierenden machen sich mit dem Thema vertraut und bereiten eine Präsentation vor, die sie dann vor der Klasse halten. Dabei halten sie regelmäßig Rücksprache mit einem ihnen zugewiesenen Betreuer.
Die Kursnote setzt sich zusammen aus der Präsentation der Studierenden sowie einem Quiz, das alle Präsentationen des Seminars umfasst.
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 Seminars abdeckt (50%).
1. Der Qualität der Präsentation (50%).
2. Der Leistung in einem Online-Quiz, das alle Präsentationen des Seminars 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
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Wahlpflicht Studiengebiet B › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction |
| WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Medientechnik und Mensch-Maschine-Interaktion / Digital Media and Human-Computer Interaction | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2025 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems |
| WiSe 2025/26 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems | |
| SoSe 2026 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems |
Sonstiges
Keine Angabe