Maschinelles Lernen 1-XModulbeschreibung #41140 / Version 4
- 12 LP
- Schriftliche Prüfung
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #41140 / #4 |
|---|---|
| Gültigkeit | Seit SoSe 2024 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 12 |
| Modulverantwortliche*r | Müller, Klaus-Robert |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352000 FG Maschinelles Lernen |
Kontakt
| Sekretariat | FR 6-1 |
|---|---|
| Ansprechpartner*in | Montavon, Gregoire |
| E-Mail-Adresse | klaus-robert.mueller@tu-berlin.de |
| Webseite | https://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.
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
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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Maschinelles Lernen I | Integrierte Veranstaltung | 0434 L 501 | Wintersemester | [en] | 6 | WiSe 2026/27 (4) ISIS |
Wahlpflichtbereich
Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Bayesian Inference | Seminar | Winter- und Sommersemester | [en] | 2 | ISIS | |
| Bayesian Learning | Vorlesung | 343 L 8043 | Wintersemester | – | 2 | ISIS |
| Classical Topics in ML | Seminar | 0434 L 588 | Wintersemester | – | 2 | ISIS |
| Explainable Machine Learning | Seminar | Winter- und Sommersemester | [en] | 2 | ISIS | |
| Generative Models | Seminar | Winter- und Sommersemester | [en] | 2 | ISIS | |
| Machine Learning and Data Management Systems | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Machine Learning in the Sciences | Vorlesung | Sommersemester | – | 2 | ISIS | |
| Mathematische Grundlagen für Maschinelles Lernen | Kurs | 0434 L 545 | Winter- und Sommersemester | – | 2 | WiSe 2026/27 (1) ISIS |
| Probabilistic Modeling and Inference | Seminar | Winter- und Sommersemester | [en] | 2 | ISIS | |
| Scientific applications in Machine Learning | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Software engineering practices for scientific software development | Seminar | Winter- und Sommersemester | [en] | 2 | ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (5)
Maschinelles Lernen I (Integrierte Veranstaltung) 4
- Maschinelles Lernen I (Integrierte Veranstaltung) Exercises (Machine Learning I) 0434 L 501
- Maschinelles Lernen I (Integrierte Veranstaltung) Lectures (Machine Learning I) 0434 L 501
- Maschinelles Lernen I (Integrierte Veranstaltung) Mathematical Foundations for Machine Learning (Exercises) 0434 L 501
- Maschinelles Lernen I (Integrierte Veranstaltung) Mathematical Foundations for Machine Learning (Lectures) 0434 L 501
Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1
- Mathematische Grundlagen für Maschinelles Lernen (Math4ML) (Vorlesung) 1. Termingruppe 0434 L 545
Arbeitsaufwand und Leistungspunkte
Maschinelles Lernen I (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Concepts & Theory | 15 | 4 h | 60 h |
| Exercises | 15 | 7 h | 105 h |
| Programming | 15 | 7 h | 105 h |
| 270 h | |||
Bayesian Inference (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Bayesian Learning (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Classical Topics in ML (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Explainable Machine Learning (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Generative Models (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning and Data Management Systems (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning in the Sciences (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Mathematische Grundlagen für Maschinelles Lernen (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Probabilistic Modeling and Inference (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Scientific applications in Machine Learning (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Software engineering practices for scientific software development (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 1260 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
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 120 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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Biomedizinische Technik StuPO 2018 | SoSe 2025 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen |
| WiSe 2025/26 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| SoSe 2026 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| WiSe 2026/27 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SoSe 2025 | 1. Kernbereich 1: Informatik und Mathematik |
| WiSe 2025/26 | 1. Kernbereich 1: Informatik und Mathematik | |
| SoSe 2026 | 1. Kernbereich 1: Informatik und Mathematik | |
| WiSe 2026/27 | 1. Kernbereich 1: Informatik und Mathematik | |
| 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 › Medientechnik und Mensch-Maschine-Interaktion / Digital Media und Human-Computer Interaction | |
| 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 | |
| ICT Innovation StuPO 2020 | SoSe 2025 | Studienrichtungen › Major: Data Science › Exit year: Data Science › Exit year Electives: Data Science |
| WiSe 2025/26 | Studienrichtungen › Major: Data Science › Exit year: Data Science › Exit year Electives: Data Science | |
| SoSe 2026 | Studienrichtungen › Major: Data Science › Exit year: Data Science › Exit year Electives: Data Science | |
| 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 | |
| Medieninformatik StuPO 2017 | SoSe 2026 | Wahlpflichtbereich › Technische Profilbereiche (A) › Profilbereich Mensch-Maschine-Interaktion |
| WiSe 2026/27 | Wahlpflichtbereich › Technische Profilbereiche (A) › Mensch-Maschine-Interaktion | |
| Medientechnik StuPO 2022 | SoSe 2026 | Wahlpflicht weitere Profibereiche › weiterer Profilbereich Mensch-Maschine-Interaktion |
| WiSe 2026/27 | Wahlpflichtbereich › Profilbereich › Mensch-Maschine-Interaktion | |
| Physikalische Ingenieurwissenschaft StuPO 2007 (19.12.2007) | SoSe 2025 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2025 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| WiSe 2026/27 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2024 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems |
| WiSe 2024/25 | Ingenieurwissenschaftliche 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 2025 | Integrationsbereich/Integration › Integrationsbereich/Integration (Wahlpflicht/Compulsory-Elective) › Systems Engineering & Digitalization | |
| WiSe 2025/26 | Ingenieurwissenschaftliche 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 2026 | Ingenieurwissenschaftliche 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 2026/27 | Ingenieurwissenschaftliche 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 | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems |
Sonstiges
Die doppelte Anerkennung einzelner Lehrveranstaltungen aus bereits belegten Modulen ist ausgeschlossen.