Python für Maschinelles LernenModulbeschreibung #41143 / Version 2
- 6 LP
- Schriftliche Prüfung
- Benotet
- Winter- und Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v7)
| Modul / Version | #41143 / #2 |
|---|---|
| Gültigkeit | SoSe 2024 – SoSe 2024 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| 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 | Wolff, Jannik |
| E-Mail-Adresse | pyml@ml.tu-berlin.de |
| Webseite | https://web.ml.tu-berlin.de/teaching/courses/ |
Lernergebnisse
Die Studierenden verfügen über ein tiefes theoretisches Verständnis der Python-Programmierung, das sie mit Standard-Programmierwerkzeugen wie Jupyter-Notebooks und einem Debugger selbstständig anwenden können.
Insbesondere verstehen die Studierenden allgemeinen Prinzipien, die der Python-Programmierung zugrunde liegen, wie etwa Python-Syntax und fortgeschrittene Paradigmen der funktionalen und objektorientierten Programmierung. Sie können diese Fähigkeiten auf fortgeschrittene Data-Science- und Maschinenlernaufgaben anwenden. Dies schließt die effiziente und kompakte Implementierung komplexer Tensoroperationen sowie die Implementierung von Visualisierungsmethoden ein.
Insbesondere verstehen die Studierenden allgemeinen Prinzipien, die der Python-Programmierung zugrunde liegen, wie etwa Python-Syntax und fortgeschrittene Paradigmen der funktionalen und objektorientierten Programmierung. Sie können diese Fähigkeiten auf fortgeschrittene Data-Science- und Maschinenlernaufgaben anwenden. Dies schließt die effiziente und kompakte Implementierung komplexer Tensoroperationen sowie die Implementierung von Visualisierungsmethoden ein.
Lehrinhalte
Das Modul motiviert Python Programmierung, indem es die Programmiersprache kurz anderen Programmierparadigmen gegenüberstellt (z.B. Julia oder C). Es führt in Python-spezifische Programmierprinzipien ein, wie etwa Duck-Typing oder idiomatische Konstrukte ("Pythonic" Syntax), wie beispielsweise „generator comprehensions“. Die Studierenden implementieren Visualisierungsmethoden hauptsächlich unter Verwendung des Frameworks Matplotlib.
Das Modul lehrt die Anwendung der erlernten Programmierfähigkeiten auf Probleme des maschinellen Lernens (ML), wozu auch das konzeptionelle Verständnis beispielhafter ML-Szenarien gehört. Zum Beispiel vermittelt das Modul die Implementierung komplexer Tensoroperationen (die häufig beim maschinellen Lernen relevant sind) mit Acceleration-Frameworks (wie NumPy und PyTorch), die einen kompakten Syntax und eine effiziente Berechnung gewährleisten.
Das Modul lehrt die Verwendung von Programmierumgebungen wie Jupyter-Notebooks und Tools wie Debugger, die auch während der Prüfung verwendet werden können.
Das Modul lehrt die Anwendung der erlernten Programmierfähigkeiten auf Probleme des maschinellen Lernens (ML), wozu auch das konzeptionelle Verständnis beispielhafter ML-Szenarien gehört. Zum Beispiel vermittelt das Modul die Implementierung komplexer Tensoroperationen (die häufig beim maschinellen Lernen relevant sind) mit Acceleration-Frameworks (wie NumPy und PyTorch), die einen kompakten Syntax und eine effiziente Berechnung gewährleisten.
Das Modul lehrt die Verwendung von Programmierumgebungen wie Jupyter-Notebooks und Tools wie Debugger, die auch während der Prüfung verwendet werden können.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Python for Machine Learning | Integrierte Veranstaltung | Winter- und Sommersemester | [en] | 4 | WiSe 2026/27 (2) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Python for Machine Learning (Integrierte Veranstaltung) 2
Arbeitsaufwand und Leistungspunkte
Python for Machine Learning (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Vorlesungen | 9 | 2 h | 18 h |
| Tutorien | 9 | 2 h | 18 h |
| Vor- und Nachbereitung der Vorlesungen | 9 | 3 h | 27 h |
| Vor- und Nachbereitung der Tutorien (einschließlich Hausaufgaben) | 9 | 8 h | 72 h |
| Vorbereitung auf die Prüfung | 1 | 45 h | 45 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Das Modul weist ein hybrides Format auf: Einerseits unterrichten die Kursleiter einen Teil der Inhalte persönlich in einem angeleiteten Format. Andererseits lernen die Studierenden, selbstständig und individuell zu programmieren, während sie ein fundiertes theoretisches Verständnis von Programmierparadigmen und relevanten Machine-Learning-Problemen aufbauen.
Das Modul erstreckt sich über neun Wochen mit wöchentlichen Vorlesungen und Tutoriumssitzungen. Einige Wochen enthalten Hausaufgaben. Diese müssen individuell bearbeitet werden, allerdings bieten die Tutorien bei Bedarf Hilfe an und besprechen mögliche Lösungen nach der Abgabe der Hausaufgaben.
Das Modul erstreckt sich über neun Wochen mit wöchentlichen Vorlesungen und Tutoriumssitzungen. Einige Wochen enthalten Hausaufgaben. Diese müssen individuell bearbeitet werden, allerdings bieten die Tutorien bei Bedarf Hilfe an und besprechen mögliche Lösungen nach der Abgabe der Hausaufgaben.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Studierende sollten grundlegende Programmierprinzipien wie Rekursion kennen - in Python oder einer anderen Programmiersprache. Sie sollten auch grundlegende mathematische Prinzipien kennen. Beispielsweise erleichtert Wissen in linearer Algebra das Verständnis für die Implementierung komplexer Tensoroperationen.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 120 minutes |
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 180.
Anmeldeformalitäten
Bitte informieren Sie sich auf der Website des Moduls (zu finden auf der Website der Fachgruppe Maschinelles Lernen der TU Berlin).
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Die Prüfung ist digital, d. h. die Studierenden schreiben Code in Jupyter-Notebook Umgebungen und haben Zugang zu einem Python-Interpreter, zur Dokumentation (über die Standardbibliothek von Python) und zu einem einfachen Python-Debugger. Die Prüfung findet persönlich statt, d.h. es handelt sich nicht um eine Online-Prüfung. Daher wird die maximale Kapazität des Kurses auf 180 Studierende festgelegt (was der maximalen Kapazität des Prüfungscomputerraums entspricht).
Die Studierenden können ein A4-Blatt (mit beliebigem Inhalt auf beiden Seiten) zur Prüfung mitbringen.
Die Studierenden können ein A4-Blatt (mit beliebigem Inhalt auf beiden Seiten) zur Prüfung mitbringen.