Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Machine Learning 1-XModulbeschreibung #41140 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v4)
Modul / Version#41140 / #1
GültigkeitSoSe 2020 – SoSe 2023
Verfügbare Sprache(n)Deutsch
Leistungspunkte12
Modulverantwortliche*rMüller, Klaus-Robert
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352000 FG Maschinelles Lernen

Kontakt

SekretariatFR 6-1
Ansprechpartner*inMontavon, Gregoire
E-Mail-Adresseklaus-robert.mueller@tu-berlin.de
Webseitehttps://wiki.ml.tu-berlin.de/wiki/

Lernergebnisse

Die Studierenden sind in der Lage, eigenständig die wesentlichen Verfahren des maschinellen Lernens auf neuen Daten anzuwenden. Dies umfasst Methoden zur Klassifikation, Regression, Dimensionsreduktion und Clustering. Darüber hinaus vermittelt das Modul das theoretische Rüstzeug (Wahrscheinlichkeitstheorie, Optimierungstheorie), um Verfahren weiterzuentwickeln und theoretisch zu analysieren.

Je nach Wahlpflichtkurs können die Studierenden zudem entweder ihre mathematisch Kenntnisse, ihre Python Erfahrung oder ein individuell gewähltes Anwendungsgebiet aus dem Maschinellen Lernen vertiefen.

Lehrinhalte

Grundlagen der Wahrscheinlichkeitstheorie, Schätztheorie (Maximum-Likelihood, EM-Algorithmus).

Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA), Clustering, überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Regression, Gaußprozesse, Neuronale Netze)


In der Wahlpflichtveranstaltung können die Teilnehmer:innen je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:

* Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens.
* Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums.
* Seminare: in den jeweiligen Seminaren wird das selbstständige Einarbeiten und Präsentieren von Wissenschaftlichen Ergebnissen geübt.
* Bayesian Learning, Deep Neural Networks, Machine Learning in the Sciences: in den jeweiligen Zusatzvorlesungen wird das entsprechende Thema theoretisch zusätzlich vertieft

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Maschinelles Lernen IIntegrierte Veranstaltung0434 L 501 Wintersemester[en]6 ISIS

Wahlpflichtbereich

Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Algorithms for brain reading and writingSeminar Wintersemester–2 ISIS
Bayesian LearningVorlesung343 L 8043 Wintersemester–2 ISIS
Big Data: Skalierbares Maschinelles LernenKurs Wintersemester–2 ISIS
Big Data: Skalierbares Maschinelles LernenSeminar Wintersemester–2 ISIS
Boosting and Model AveragingSeminar Winter- und Sommersemester–2 ISIS
Classical Topics in MLSeminar0434 L 588 Wintersemester–2 ISIS
Deep Neural NetworksVorlesung Winter- und Sommersemester–2 ISIS
Machine Learning and Data Management SystemsSeminar Winter- und Sommersemester–2 ISIS
Machine Learning in the SciencesVorlesung Sommersemester–2 ISIS
Mathematische Grundlagen für Maschinelles LernenKurs0434 L 545 Winter- und Sommersemester–2 ISIS
Matlabprogrammierung für ML und DatenanlyseKurs0434 L 544 Winter- und Sommersemester–2 ISIS
Pythonprogrammierung für ML und DatenanalyseKurs0434 L 543 Winter- und Sommersemester[en]2 ISIS
Scientific applications in Machine LearningSeminar Winter- und Sommersemester–2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (5)

Maschinelles Lernen I (Integrierte Veranstaltung) 4

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Maschinelles Lernen I (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Concepts & Theory156 h90 h
Exercises156 h90 h
Programming156 h90 h
270 h

Algorithms for brain reading and writing (Seminar)

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

Bayesian Learning (Vorlesung)

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

Big Data: Skalierbares Maschinelles Lernen (Kurs)

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

Big Data: Skalierbares Maschinelles Lernen (Seminar)

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

Boosting and Model Averaging (Seminar)

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

Classical Topics in ML (Seminar)

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

Deep Neural Networks (Vorlesung)

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

Machine Learning and Data Management Systems (Seminar)

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

Machine Learning in the Sciences (Vorlesung)

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

Mathematische Grundlagen für Maschinelles Lernen (Kurs)

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

Matlabprogrammierung für ML und Datenanlyse (Kurs)

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

Pythonprogrammierung für ML und Datenanalyse (Kurs)

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

Scientific applications in Machine Learning (Seminar)

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

Der Aufwand des Moduls summiert sich zu 1440 Stunden. Damit umfasst das Modul 12 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die IV besteht aus einem Vorlesungsteil (Frontalunterricht vor allen Teilnehmer:innen zur Vermittlung des Stoffes) und einem Anteil praktischer Arbeit. Letztere besteht aus dem selbstständigen Bearbeiten von Übungsaufgaben.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Lineare Algebra, Analysis, Wahrscheinlichkeitsrechnung. Dieses Modul ist auch für Bachelorstudierende geeignet.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang120 Minuten

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 2 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Keine.

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
Wirtschaftsingenieurwesen
StuPO 2015
SoSe 2020Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction
WiSe 2020/21Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction
SoSe 2021Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction
WiSe 2021/22Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction
SoSe 2022Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction
WiSe 2022/23Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Systems Engineering & Digitalization
SoSe 2023Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Systems Engineering & Digitalization

Sonstiges

Die doppelte Anerkennung einzelner Lehrveranstaltungen aus bereits belegten Modulen ist ausgeschlossen.