Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Machine Learning EngineeringModulbeschreibung #41143 / Version 7

← Zur Modulseite English version
Modul / Version#41143 / #7
GültigkeitSeit WiSe 2026/27
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
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*inWolff, Jannik
E-Mail-Adressepyml@ml.tu-berlin.de
Webseitehttps://web.ml.tu-berlin.de/teaching/courses/

Lernergebnisse

Studierende verstehen Prinzipien zur Implementierung von Machine-Learning-Aufgaben über relevante rechnerische Abstraktionsebenen hinweg. Sie können ML-Workflows entwerfen und implementieren, einschließlich Umgang mit Daten, Modellaufbau, Training und Evaluation, und dabei geeignete Werkzeuge und Frameworks verwenden.

Lehrinhalte

Die Themen können Grundlagen zur Implementierung und Anpassung von Machine-Learning-Methoden und -Anwendungen umfassen: rechnerische Repräsentationen von Daten, Modellen, Zielfunktionen, Trainingsschleifen und Evaluationsroutinen; Tensor- und Beschleunigungs-Frameworks; sowie ausgewählte Konzepte zur effizienten Ausführung auf moderner Hardware. Die genauen Themen und Werkzeuge können von Semester zu Semester variieren, um Entwicklungen im Machine-Learning-Engineering widerzuspiegeln.

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Machine Learning EngineeringIntegrierte Veranstaltung Winter- und Sommersemester[en]4 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (2)

Machine Learning Engineering (Integrierte Veranstaltung) 2

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Machine Learning Engineering (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Tutorien92 h18 h
Vorbereitung auf die Prüfung145 h45 h
Vorlesungen92 h18 h
Vor- und Nachbereitung der Tutorien (einschließlich Hausaufgaben)98 h72 h
Vor- und Nachbereitung der Vorlesungen93 h27 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 kombiniert Vorlesungen, Tutorien und Übungen. Tutorien und Übungen können ausgewählte Kursthemen in Form von Beispielen, Diskussionen, Hausaufgaben oder Übungsfragen behandeln.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Studierende sollten über Grundkenntnisse in Programmierung und Konzepten der Informatik verfügen, wie sie typischerweise in einführenden Informatikkursen behandelt werden. Grundlegendes mathematisches Verständnis und Vertrautheit mit formaler Notation werden erwartet. Die ISIS-Kursseite kann weitere Details zu den Voraussetzungen enthalten.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang120 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 250.

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.

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 / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems
Elektrotechnik
StuPO 2015
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
Informatik
StuPO 2025
WiSe 2026/27Wahlpflichtbereich › Studiengebiete › Intelligente Systeme › Weitere Module
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
WiSe 2026/27Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
Medieninformatik
StuPO 2017
WiSe 2026/27Wahlpflichtbereich › Technische Profilbereiche (A) › Mensch-Maschine-Interaktion
Medientechnik
StuPO 2022
WiSe 2026/27Wahlpflichtbereich › Profilbereich › Mensch-Maschine-Interaktion
Physikalische Ingenieurwissenschaft
StuPO 2020
WiSe 2026/272.1 Numerik und Simulation › 2.1b Ergänzungsbereich
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering

Sonstiges

Wenn durchführbar, ist die Prüfung digital und findet in Präsenz statt. Das Prüfungsformat und die technische Einrichtung können variieren (z. B. je nach verfügbaren Ressourcen) und werden auf ISIS angegeben. Falls eine digitale Prüfung nicht durchführbar ist, kann ein alternatives Präsenzformat verwendet werden.

Ab dem Wintersemester 2026/27 trägt dieses Modul den Titel „Machine Learning Engineering“. Es wurde zuvor unter dem Titel „Python for Machine Learning“ angeboten. Studierende, die das Modul bereits unter seinem früheren Titel erfolgreich abgeschlossen haben, können es in der Regel nicht erneut für zusätzliche Leistungspunkte belegen.