Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Julia für Maschinelles LernenModulbeschreibung #41144 / Version 2

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v3)
Modul / Version#41144 / #2
GültigkeitSoSe 2024 – SoSe 2024
Verfügbare Sprache(n)Englisch
Leistungspunkte6
Modulverantwortliche*rMüller, Klaus-Robert
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352000 FG Maschinelles Lernen

Kontakt

SekretariatFR 6-1
Ansprechpartner*inHill, Adrian Rainer
E-Mail-Adressehill@tu-berlin.de
Webseitehttps://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

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Julia for Machine LearningIntegrierte Veranstaltung Winter- und Sommersemester[de]4 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (1)

Julia for Machine Learning (Integrierte Veranstaltung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Julia for Machine Learning (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Hausaufgaben, einschließlich Nachbereitung der Vorlesungen42 h8 h
Projektarbeit (Programmierung, Nachbereitung von Code-Reviews, Vorbereitung der Präsentation)1144 h144 h
Projektpräsenzzeit (Projektauswahlsitzung, 2 Code-Reviews, Präsentationen)42 h8 h
Vorlesungen102 h20 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.

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.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
(Ergebnisprüfung) Hausaufgaben20praktisch4 Hausaufgaben mit Arbeitsaufwand von je 2 Stunden
(Ergebnisprüfung) Projektarbeit50praktischProgrammierprojekt: Implementierung und Dokumentation eines Softwarepakets in Julia
(Punktuelle Leistungsabfrage) Präsentation10mündlich10-minütige Präsentation der Projektarbeit vor anderen Studierenden + 5 Minuten für Fragen und Antworten
(Punktuelle Leistungsabfrage) Projektarbeit20mündlich20-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