Python für Maschinelles LernenModulbeschreibung #41143 / Version 5
- 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 / #5 |
|---|---|
| Gültigkeit | SoSe 2025 – WiSe 2025/26 |
| 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 (vorausgesetzt, eine digitale Prüfung ist in einem gegebenen Semester möglich).
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 (vorausgesetzt, eine digitale Prüfung ist in einem gegebenen Semester möglich).
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 |
|---|---|---|---|
| Tutorien | 9 | 2 h | 18 h |
| Vorbereitung auf die Prüfung | 1 | 45 h | 45 h |
| Vorlesungen | 9 | 2 h | 18 h |
| Vor- und Nachbereitung der Tutorien (einschließlich Hausaufgaben) | 9 | 8 h | 72 h |
| Vor- und Nachbereitung der Vorlesungen | 9 | 3 h | 27 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 umfasst etwa neun Vorlesungen und das Äquivalent von neun 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 umfasst etwa neun Vorlesungen und das Äquivalent von neun 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 in Python oder einer anderen Sprache mit gleicher oder geringerer Abstraktion (z. B. nicht R) kennen. Wir empfehlen, vor Beginn des Kurses eine virtuelle Python-Umgebung zu installieren, wobei dies auf Betriebssystemen wie Windows viel Zeit in Anspruch nehmen kann. Studierende sollten darüber hinaus 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
Auf der Website des Moduls (zu finden auf der Website der Fachgruppe Maschinelles Lernen der TU Berlin) sind die Zulassungsmodalitäten für das jeweilige Semester detailliert beschrieben. Die Studierenden sind angehalten, sich rechtzeitig (idealerweise vor Semesterbeginn) über das Zulassungsverfahren zu informieren. Andernfalls kann es passieren, dass sie nicht am Modul teilnehmen können, wenn sie wichtige Zulassungsfristen versäumen.
An diesem Modul können nur Studierende teilnehmen, die das Wahlfach „Python Programming for Machine Learning (PyML)“ (3 CP) nicht(!) bestanden haben. Das PyML-Wahlfach wurde nach dem Wintersemester 2023/2024 eingestellt.
Die maximale Teilnehmendenanzahl beträgt 180. Wenn sich Umstände ändern, z. B. hinsichtlich der Kapazität der digitalen Prüfungseinrichtungen, kann die Kapazitätsgrenze des Moduls angepasst werden (in beide Richtungen). Eine etwaige Änderung der Teilnehmendenanzahl für ein bestimmtes Semester wird auf der Website des Moduls veröffentlicht.
An diesem Modul können nur Studierende teilnehmen, die das Wahlfach „Python Programming for Machine Learning (PyML)“ (3 CP) nicht(!) bestanden haben. Das PyML-Wahlfach wurde nach dem Wintersemester 2023/2024 eingestellt.
Die maximale Teilnehmendenanzahl beträgt 180. Wenn sich Umstände ändern, z. B. hinsichtlich der Kapazität der digitalen Prüfungseinrichtungen, kann die Kapazitätsgrenze des Moduls angepasst werden (in beide Richtungen). Eine etwaige Änderung der Teilnehmendenanzahl für ein bestimmtes Semester wird auf der Website des Moduls veröffentlicht.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
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 › Kognitive Systeme / Cognitive Systems |
| WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2025/26 | Studiengebiete › Data and Software Engineering / Data and Software Engineering | |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| ICT Innovation StuPO 2020 | SoSe 2025 | Studienrichtungen › Major: Embedded Systems › Exit year: Embedded Systems › Exit year Electives: Embedded Systems |
| WiSe 2025/26 | Studienrichtungen › Major: Embedded Systems › Exit year: Embedded Systems › Exit year Electives: Embedded Systems | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2025 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems |
| WiSe 2025/26 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems | |
| Medieninformatik StuPO 2017 | SoSe 2025 | Wahlpflichtbereich › Technische Profilbereiche (A) › Profilbereich Mensch-Maschine-Interaktion |
| WiSe 2025/26 | Wahlpflichtbereich › Technische Profilbereiche (A) › Profilbereich Mensch-Maschine-Interaktion | |
| Medientechnik StuPO 2022 | SoSe 2025 | Wahlpflicht weitere Profibereiche › weiterer Profilbereich Data Science |
| WiSe 2025/26 | Wahlpflicht weitere Profibereiche › weiterer Profilbereich Data Science | |
| 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 | |
| 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 |
Sonstiges
Wenn möglich, findet die Prüfung digital statt, wobei die Studierenden Code in Jupyter-Notebooks schreiben und Zugang zu einem Python-Interpreter, zur Dokumentation (über die Python-Standardbibliothek) und zu einem einfachen Python-Debugger haben. In diesem Fall findet die Prüfung vor Ort statt, d. h. es handelt sich nicht um eine Online-Prüfung. Die Durchführbarkeit dieses Klausurkonzepts kann jedoch nicht garantiert werden und ist möglicherweise durch technische und andere Ressourcen eingeschränkt. Die Ausweichlösung ist entweder eine schriftliche Prüfung (mit Stift und Papier) oder eine hybride Lösung (z. B. kein Zugriff zu einem Python-Interpreter, aber Einreichen der Antworten über ISIS).
Die Studierenden können ein A4-Blatt zur Prüfung mitbringen. Sie sollten sich auf der Website des Kurses informieren, was dieses A4-Blatt beinhalten darf.
Wir empfehlen, die Kurs-Website auf ISIS zu lesen, um weitere Informationen zu erhalten.
Die Studierenden können ein A4-Blatt zur Prüfung mitbringen. Sie sollten sich auf der Website des Kurses informieren, was dieses A4-Blatt beinhalten darf.
Wir empfehlen, die Kurs-Website auf ISIS zu lesen, um weitere Informationen zu erhalten.