Maschinelles Learning und DatenmanagementsystemeModulbeschreibung #41146 / Version 2
- 3 LP
- Referat
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #41146 / #2 |
|---|---|
| Gültigkeit | Seit WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 3 |
| Modulverantwortliche*r | Böhm, Matthias |
| Benotung | Benotet |
| Prüfungsform | Referat |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352900 FG Big Data Engineering |
Kontakt
| Sekretariat | Keine Angabe |
|---|---|
| Ansprechpartner*in | Böhm, Matthias |
| E-Mail-Adresse | matthias.boehm@tu-berlin.de |
| Webseite | https://www.tu.berlin/en/go112669/ |
Lernergebnisse
Nach dem Kurs sind die Studierenden in der Lage, komplexe Sachverhalte in mündlichen Präsentationen und in schriftlicher Form (Journal/Konferenzformat) zu vermitteln. Die Teilnehmer sind in der Lage, Literaturrecherchen durchzuführen und verfügen über vertiefte Kenntnisse zu einem bestimmten aktuellen Thema des maschinellen Lernens und der Datenmanagementsysteme.
Lehrinhalte
Dies ist ein gemeinsames forschungsorientiertes Seminar der Gruppe Maschinelles Lernen und der Gruppe DAMS Lab (Big Data Engineering). Während des Seminars haben die Studenten die Möglichkeit, sich über die jüngsten Fortschritte im Schnittpunkt von maschinellem Lernen und Datenmanagementsystemen zu informieren.
Beispiele für Themen sind:
- Federated/Deep Ensemble Learning und Datenmanagementsysteme.
- Kohlenstoffbewusste Datenmanagementsysteme und maschinelles Lernen.
- Komprimierung von ML-Systemen.
- Kontinuierliches, lebenslanges und Online-Lernen.
- Datenverwaltungssysteme für Lebenslanges Lernen.
- Hashing und Skizzen.
- Aufbau von ML-Pipelines für die Aufbereitung großer Datenmengen, Modelltraining und Modell-Debugging, Versionierung und Überwachung.
Beispiele für Themen sind:
- Federated/Deep Ensemble Learning und Datenmanagementsysteme.
- Kohlenstoffbewusste Datenmanagementsysteme und maschinelles Lernen.
- Komprimierung von ML-Systemen.
- Kontinuierliches, lebenslanges und Online-Lernen.
- Datenverwaltungssysteme für Lebenslanges Lernen.
- Hashing und Skizzen.
- Aufbau von ML-Pipelines für die Aufbereitung großer Datenmengen, Modelltraining und Modell-Debugging, Versionierung und Überwachung.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Machine Learning and Data Management Systems | Seminar | Winter- und Sommersemester | – | 2 | ISIS |
Arbeitsaufwand und Leistungspunkte
Machine Learning and Data Management Systems (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Attendance of meetings | 2 | 2,5 h | 5 h |
| Literature review | 1 | 55 h | 55 h |
| One-page summary paper | 1 | 15 h | 15 h |
| Presentation preparation and presentation | 1 | 15 h | 15 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 90 Stunden. Damit umfasst das Modul 3 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Jedem Studenten wird eine Arbeit aus dem Bereich des fortgeschrittenen maschinellen Lernens und der Datenmanagementsysteme zugewiesen. Die Studierenden müssen die zugewiesene Arbeit lesen und verstehen, einschließlich einer Literaturübersicht, die zum vollständigen Verständnis der Arbeit erforderlich ist. Anschließend fasst jeder Student sein Papier in einem vorzeigbaren Format zusammen. Abschließend präsentieren die Studierenden ihre Arbeiten vor der Gruppe, gefolgt von einer Diskussion über das Thema.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Bevorzugt: Machine Learning I/II oder Machine Intelligence I/II oder Architecture of Machine Learning Systems.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Referat |
| Sprache | Englisch |
| Dauer/Umfang | 20 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
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Anmeldung per E-Mail an Prof. Dr. Matthias Böhm (matthias.boehm<AT>tu-berlin.de) oder Dennis Grinwald (dennis.grinwald<AT>tu-berlin.de).
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Seminar-specific literature will be discussed during the first lecture.
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems |
| SoSe 2026 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | WiSe 2025/26 | Studiengebiete › Data and Software Engineering / Data and Software Engineering |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | WiSe 2025/26 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
| SoSe 2026 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering | |
| WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering |
Sonstiges
Keine Angabe