Julia für Maschinelles LernenModulbeschreibung #41144 / Version 2
- 6 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v3)
| Modul / Version | #41144 / #2 |
|---|---|
| Gültigkeit | SoSe 2024 – SoSe 2024 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Müller, Klaus-Robert |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| 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 | Hill, Adrian Rainer |
| E-Mail-Adresse | hill@tu-berlin.de |
| Webseite | https://web.ml.tu-berlin.de/teaching/courses/ |
Lernergebnisse
Die Studierenden sind in der Lage, die Julia-Programmiersprache zu verwenden, um Algorithmen des maschinellen Lernens zu implementieren und anzuwenden. Sie sind mit gängigen Julia-Paketen für klassisches maschinelles Lernen, Deep Learning und Datenvisualisierung vertraut. Die Studierenden haben ein umfassendes Verständnis der automatischen Differenzierung und unterschiedlicher Implementierungen in Julia. Sie sind in der Lage reproduzierbaren Code zu schreiben, ihn zu testen und zu debuggen.
Lehrinhalte
In der ersten Hälfte des Kurses lernen Studierende die Grundlagen der Julia Programmiersprache sowie die Pakete des Machine Learning Ökosystems kennen:
- Performantes Rechnen mit Arrays und lineare Algebra (LinearAlgebra.jl)
- Arbeiten mit tabellarischen Daten (DataFrames.jl)
- Erstellen von Visualisierungen (Plots.jl, StatsPlots.jl)
- Klassische Methoden des maschinellen Lernens (MLJ.jl)
- Mathematische Grundlagen der automatischen Differenzierung
- Unterschiede in den Implementierungen der automatischen Differenzierung in Julia Paketen (ChainRules.jl, Zygote.jl, Enzyme.jl, ForwardDiff.jl, FiniteDifferences.jl)
- Training von Deep-Learning-Modellen (Flux.jl, MLDatasets.jl)
- Entwicklungsabläufe für die Paketentwicklung und wissenschaftliche Experimente (PkgTemplates.jl, DrWatson.jl)
- Profiling und Debugging in Julia (Debugger.jl, Infiltrator.jl, ProfileView.jl, Cthulhu.jl)
In der zweiten Hälfte arbeiten die Schüler in Gruppen an einem kleinen Programmierprojekt ihrer Wahl und lernen, wie man:
- Strukturierung und Entwicklung eines Software-Pakets
- Pakettests schreiben
- Verfassen und Bereitstellen von Dokumentation
- Performantes Rechnen mit Arrays und lineare Algebra (LinearAlgebra.jl)
- Arbeiten mit tabellarischen Daten (DataFrames.jl)
- Erstellen von Visualisierungen (Plots.jl, StatsPlots.jl)
- Klassische Methoden des maschinellen Lernens (MLJ.jl)
- Mathematische Grundlagen der automatischen Differenzierung
- Unterschiede in den Implementierungen der automatischen Differenzierung in Julia Paketen (ChainRules.jl, Zygote.jl, Enzyme.jl, ForwardDiff.jl, FiniteDifferences.jl)
- Training von Deep-Learning-Modellen (Flux.jl, MLDatasets.jl)
- Entwicklungsabläufe für die Paketentwicklung und wissenschaftliche Experimente (PkgTemplates.jl, DrWatson.jl)
- Profiling und Debugging in Julia (Debugger.jl, Infiltrator.jl, ProfileView.jl, Cthulhu.jl)
In der zweiten Hälfte arbeiten die Schüler in Gruppen an einem kleinen Programmierprojekt ihrer Wahl und lernen, wie man:
- Strukturierung und Entwicklung eines Software-Pakets
- Pakettests schreiben
- Verfassen und Bereitstellen von Dokumentation
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Julia for Machine Learning | Integrierte Veranstaltung | Winter- und Sommersemester | [de] | 4 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Julia for Machine Learning (Integrierte Veranstaltung) 1
- Julia for Machine Learning (Integrierte Veranstaltung) Termingruppe 1
Arbeitsaufwand und Leistungspunkte
Julia for Machine Learning (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Hausaufgaben, einschließlich Nachbereitung der Vorlesungen | 4 | 2 h | 8 h |
| Projektarbeit (Programmierung, Nachbereitung von Code-Reviews, Vorbereitung der Präsentation) | 1 | 144 h | 144 h |
| Projektpräsenzzeit (Projektauswahlsitzung, 2 Code-Reviews, Präsentationen) | 4 | 2 h | 8 h |
| Vorlesungen | 10 | 2 h | 20 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 ist in zwei Teile gegliedert: In der ersten Hälfte des Semesters werden in wöchentlichen Vorlesungen die Grundlagen der Julia Programmiersprache und der Pakete aus ihrem Ökosystem für maschinelles Lernen vermittelt. Basierend auf diesen Vorlesungen werden wöchentliche Programmierhausaufgaben in Form von Programmier-Notebooks gegeben, die von den Studierenden individuell zu lösen sind.
In der zweiten Hälfte des Semesters arbeiten die Studierenden in kleinen Gruppen an Programmierprojekten ihrer Wahl und lernen dabei die Paketentwicklung in Julia kennen. In Code-Review-Sitzungen geben sich die Studierenden gegenseitig Feedback zu ihren Projekten, bevor sie ihre Arbeit in Präsentationen am Ende des Semesters vorstellen.
In der zweiten Hälfte des Semesters arbeiten die Studierenden in kleinen Gruppen an Programmierprojekten ihrer Wahl und lernen dabei die Paketentwicklung in Julia kennen. In Code-Review-Sitzungen geben sich die Studierenden gegenseitig Feedback zu ihren Projekten, bevor sie ihre Arbeit in Präsentationen am Ende des Semesters vorstellen.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
In diesem Kurs werden Kenntnisse über gängige Programmierkonzepte wie for-Schleifen und Arrays vorausgesetzt.
Kenntnisse der Julia-Programmiersprache sind nicht erforderlich.
Die Kenntnis grundlegender mathematischer Konzepte ist hilfreich. Zum Beispiel helfen Kenntnisse der linearen Algebra, Array-Operationen zu verstehen.
Kenntnisse der Julia-Programmiersprache sind nicht erforderlich.
Die Kenntnis grundlegender mathematischer Konzepte ist hilfreich. Zum Beispiel helfen Kenntnisse der linearen Algebra, Array-Operationen zu verstehen.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Hausaufgaben | 20 | praktisch | 4 Hausaufgaben mit Arbeitsaufwand von je 2 Stunden |
| (Ergebnisprüfung) Projektarbeit | 50 | praktisch | Programmierprojekt: Implementierung und Dokumentation eines Softwarepakets in Julia |
| (Punktuelle Leistungsabfrage) Präsentation | 10 | mündlich | 10-minütige Präsentation der Projektarbeit vor anderen Studierenden + 5 Minuten für Fragen und Antworten |
| (Punktuelle Leistungsabfrage) Projektarbeit | 20 | mündlich | 20-minütige mündliche Prüfung und Evaluation des Programmierprojekts |
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 40.
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
Keine Angabe