Python für Maschinelles LernenModulbeschreibung #41143 / Version 6
- 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 / #6 |
|---|---|
| Gültigkeit | SoSe 2026 – SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| 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 zeigen ein starkes konzeptionelles Verständnis von Python, einschließlich Kernprinzipien wie Syntax, Idiome, fortgeschrittene funktionale und objektorientierte Muster sowie der im Kurs eingeführten Bibliotheken. Sie können fortgeschrittene Machine-Learning-Aufgaben implementieren, gestützt auf ein solides Verständnis der zugrunde liegenden Konzepte. Sie können Standard-Programmierwerkzeuge wie Programmierumgebungen und Debugger verwenden.
Lehrinhalte
- Python-Syntax und -Idiome (Beispiel: List Comprehensions und Typbehandlung)
- Fortgeschrittene funktionale und objektorientierte Muster (Beispiel: Dekoratoren oder Dunder-Methoden)
- Bibliotheken (Beispiel: Beschleunigungs-Frameworks wie NumPy oder Torch)
- Implementierung von Machine-Learning-Aufgaben, die auch das konzeptionelle Verständnis des Settings umfasst
- Verwendung von Programmierumgebungen (Beispiel: Jupyter-Umgebung & Debugger)
Die genauen Inhalte (z. B. die bereitgestellten Beispiele) können je nach Semester variieren, z. B. basierend auf jüngsten Entwicklungen.
- Fortgeschrittene funktionale und objektorientierte Muster (Beispiel: Dekoratoren oder Dunder-Methoden)
- Bibliotheken (Beispiel: Beschleunigungs-Frameworks wie NumPy oder Torch)
- Implementierung von Machine-Learning-Aufgaben, die auch das konzeptionelle Verständnis des Settings umfasst
- Verwendung von Programmierumgebungen (Beispiel: Jupyter-Umgebung & Debugger)
Die genauen Inhalte (z. B. die bereitgestellten Beispiele) können je nach Semester variieren, z. B. basierend auf jüngsten Entwicklungen.
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 besteht aus ungefähr neun Vorlesungen und dem Äquivalent von ungefähr neun Tutorial-Sitzungen. Einige Wochen enthalten Hausaufgaben. Die Studierenden erledigen die Hausaufgaben üblicherweise außerhalb der Tutorials, wobei die Tutorials Hilfe bieten können.
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 Minuten |
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 150.
Anmeldeformalitäten
Die Kurswebseite auf ISIS beschreibt die Zulassung für ein bestimmtes Semester. Studierende werden dazu ermutigt, sich rechtzeitig (idealerweise vor Beginn des Semesters) mit dem Zulassungsverfahren vertraut zu machen. Andernfalls können sie nicht am Modul teilnehmen, wenn sie wichtige Zulassungsfristen verpassen. Beachten Sie, dass Teile des ISIS-Kurses manchmal für Gäste (ohne TU-Account) verfügbar sind.
Die maximale Teilnehmerzahl wird durch die im jeweiligen Semester verfügbaren organisatorischen und technischen Ressourcen bestimmt.
Die maximale Teilnehmerzahl wird durch die im jeweiligen Semester verfügbaren organisatorischen und technischen Ressourcen bestimmt.
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 2026 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems |
| Computer Science (Informatik) StuPO 2015 | SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems |
| Elektrotechnik StuPO 2015 | SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| ICT Innovation StuPO 2020 | SoSe 2026 | Studienrichtungen › Major: Embedded Systems › Exit year: Embedded Systems › Exit year Electives: Embedded Systems |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2026 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
| Medieninformatik StuPO 2017 | SoSe 2026 | Wahlpflichtbereich › Technische Profilbereiche (A) › Profilbereich Mensch-Maschine-Interaktion |
| Medientechnik StuPO 2022 | SoSe 2026 | Wahlpflichtbereich Profilbereiche › Profilbereich Mensch-Maschine-Interaktion |
| Physikalische Ingenieurwissenschaft StuPO 2020 | SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
Sonstiges
Wenn möglich, ist die Prüfung digital und findet in Präsenz statt: Studierende schreiben Code in einer Programmierumgebung (z. B. einer Jupyter-Umgebung) und haben Zugriff auf einen Python-Interpreter, Dokumentation (über Pythons Standardbibliothek) sowie einen einfachen Python-Debugger über die Python-Standardbibliothek. Die Umgebung umfasst üblicherweise zusätzliche Programmier-Frameworks, z. B. zur Implementierung von Tensoroperationen. Das genaue Setup wird auf ISIS angegeben und kann je nach technischen oder anderen Einschränkungen variieren.
Die Durchführbarkeit einer digitalen Prüfung kann nicht garantiert werden und ist durch technische und andere Ressourcen begrenzt. Die Ausweichlösung ist entweder eine schriftliche Prüfung (Stift und Papier) oder eine hybride Lösung (z. B. kein Zugriff auf einen Python-Interpreter, aber Abgabe der Antworten über ISIS).
Bitte konsultieren Sie die Kurswebseite auf ISIS für zusätzliche Informationen.
Die Durchführbarkeit einer digitalen Prüfung kann nicht garantiert werden und ist durch technische und andere Ressourcen begrenzt. Die Ausweichlösung ist entweder eine schriftliche Prüfung (Stift und Papier) oder eine hybride Lösung (z. B. kein Zugriff auf einen Python-Interpreter, aber Abgabe der Antworten über ISIS).
Bitte konsultieren Sie die Kurswebseite auf ISIS für zusätzliche Informationen.