Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Interpretierbares Maschinelles LernenModulbeschreibung #41130 / Version 1

← Zur Modulseite English version
Modul / Version#41130 / #1
GültigkeitSeit WiSe 2026/27
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rSamek, Wojciech
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352800 FG Maschinelles Lernen und Kommunikation

Kontakt

SekretariatEN 16
Ansprechpartner*inSamek, Wojciech
E-Mail-Adressewojciech.samek@tu-berlin.de
Webseitehttps://iphome.hhi.de/samek/#Teaching

Lernergebnisse

Nach erfolgreichem Abschluss des Moduls sind die Studierenden in der Lage, zentrale Begriffe und Konzepte der Interpretierbarkeit, Erklärbarkeit und Transparenz im maschinellen Lernen zu definieren und voneinander abzugrenzen. Sie können die Grenzen und Risiken moderner maschineller Lernverfahren im Hinblick auf Nachvollziehbarkeit kritisch analysieren und bewerten sowie praxisrelevante Anwendungsfälle identifizieren und beurteilen, in denen mangelnde Erklärbarkeit zu Problemen bei Nutzung, Vertrauen oder Entscheidungsfindung führt. Darüber hinaus sind sie befähigt, geeignete Methoden zur Verbesserung der Interpretierbarkeit auszuwählen, anzuwenden und miteinander zu vergleichen sowie Modelle systematisch im Hinblick auf ihre Erklärbarkeit zu evaluieren und die Ergebnisse kritisch zu reflektieren. Die Studierenden können aktuelle Herausforderungen und Forschungsansätze im Bereich erklärbarer KI einordnen und diskutieren. Zudem sind sie in der Lage, wissenschaftliche Literatur eigenständig zu recherchieren, zu analysieren und strukturiert aufzubereiten sowie eigene Ergebnisse in schriftlicher und mündlicher Form adressatengerecht zu präsentieren.

Lehrinhalte

Das Modul setzt sich aus einer Vorlesung und einem Seminar zusammen.

In der Vorlesung werden die methodischen Grundlagen erklärbarer maschineller Lernsysteme vermittelt. Ein zentraler Schwerpunkt liegt auf Erklärungsmethoden - Techniken, die die Funktionsweise eines Modells und die Grundlage seiner Vorhersagen transparent machen. Die Vorlesung behandelt unterschiedliche Arten von Erklärungsmethoden, diskutiert deren Vor- und Nachteile und vermittelt die theoretischen Grundlagen.

Im begleitenden Seminar setzen sich die Studierenden mit der aktuellen Forschung im Bereich Interpretable Machine Learning auseinander. Dabei erwerben sie Kompetenzen im Umgang mit wissenschaftlicher Literatur, im Verfassen wissenschaftlicher Texte sowie in der Präsentation ihrer Ergebnisse.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Interpretable Machine LearningVorlesung Wintersemester[en]2 ISIS
Interpretable Machine LearningSeminar Wintersemester[en]2 ISIS

Arbeitsaufwand und Leistungspunkte

Interpretable Machine Learning (Vorlesung)

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

Interpretable Machine Learning (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung153,3 h49,5 h
Präsentation und Report52 h10 h
89,5 h

Der Aufwand des Moduls summiert sich zu 179,5 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul setzt sich aus einer Vorlesung und einem Seminar zusammen.

In den jeweils 2-stündigen Vorlesungen wird das vom Dozenten zusammengestellte Wissen im Frontalunterricht vorgestellt, diskutiert und mit Beispielen erläutert. Die Vorlesungen finden im wöchentlichen Rhythmus im Wintersemester statt.

Im Seminar wird ein konkretes Themengebiet individuell bearbeitet. Unter Anleitung werden wissenschaftliches Arbeiten erlernt und eine fachgerechte Präsentation erstellt. Das Seminar umfasst eine schriftliche Ausarbeitung und endet mit einer individuellen Präsentation, die inhaltlich und didaktisch bewertet und mit Feedback versehen wird.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Linearer Algebra und Analysis.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Ergebnisprüfung) Präsentation (Seminar)30praktisch20 Minuten
(Ergebnisprüfung) Schriftlicher Report (Seminar)20schriftlich3-5 Seiten
(Punktuelle Leistungsabfrage) Schriftliche Klausur (Vorlesung)50schriftlich60 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 20.

Anmeldeformalitäten

Die Anmeldung findet eine Woche vor der ersten Vorlesung statt und erfolgt ausschließlich über den ISIS-Kurs der Lehrveranstaltung.

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 / StuPOSemesterStudiengangsbereich
Informatik
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Katalog Informatik
Informatik
StuPO 2025
WiSe 2026/27Wahlpflichtbereich › Studiengebiete › Intelligente Systeme › Seminare
Technische Informatik
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Kataloge › Informatik
Wirtschaftsinformatik
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Informatik
Wirtschaftsinformatik
StuPO 2021
WiSe 2026/27Wahlpflichtbereich › Informatik
Wirtschaftsinformatik
StuPO 2025
WiSe 2026/27Wahlpflichtbereich › Vertiefung Informatik › Seminare

Sonstiges

Keine Angabe