Machine Learning 2-XModulbeschreibung #41173 / Version 1
- 12 LP
- Schriftliche Prüfung
- Benotet
- Winter- und Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v9)
| Modul / Version | #41173 / #1 |
|---|---|
| Gültigkeit | SoSe 2020 – WiSe 2023/24 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 12 |
| 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 | Kauffmann, Jacob Reinhard |
| E-Mail-Adresse | j.kauffmann@tu-berlin.de |
| Webseite | https://wiki.ml.tu-berlin.de/wiki/ |
Lernergebnisse
Die Studierenden haben ein vertieftes Wissen über die Anwendung spezifischer Methoden des Maschinellen Lernens (Klassifikation, Regression, Dimensionsreduktion, Clustering) in ausgewählten Anwendungsbereichen (Bioinformatik, Computersicherheit, etc.) und können diese Methoden selbstständig anwenden und weiterentwickeln. Insbesondere sind die Studierenden mit den Aspekten des Maschinellen Lernens vertraut, welche für den praktischen Erfolg entscheidend sind.
Je nach Wahlpflichtkurs können die Studierenden zudem entweder ihre mathematisch Kenntnisse, ihre Python Erfahrung oder ein individuell gewähltes Anwendungsgebiet aus dem Maschinellen Lernen vertiefen.
Je nach Wahlpflichtkurs können die Studierenden zudem entweder ihre mathematisch Kenntnisse, ihre Python Erfahrung oder ein individuell gewähltes Anwendungsgebiet aus dem Maschinellen Lernen vertiefen.
Lehrinhalte
In dieser Vorlesung werden weiterführende Themen des Maschinellen Lernens behandelt. Ein besonderer Schwerpunkt wird auf die Anwendung gelegt. Mehrere erfolgreiche Anwendungen des Maschinellen Lernens werden besprochen und auf die jeweiligen Besonderheiten wird eingegangen. Unter anderem werden folgende Themen behandelt: halbüberwachtes Lernen, Boostingverfahren, Optimierungstheorie, Kernmethoden für strukturierte Daten, graphische Modelle.
Beispiele für erfolgreiche Anwendungen sind unter anderem Bioinformatik, Computersicherheit und Textmining.
Darüber hinaus können die Studierenden in der Wahlpflichtveranstaltung je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:
* Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens.
* Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums.
* Seminare: in den jeweiligen Seminaren wird das selbstständige Einarbeiten und Präsentieren von Wissenschaftlichen Ergebnissen geübt.
* Deep Neural Networks, Machine Learning in the Sciences: in den jeweiligen Zusatzvorlesungen wird das entsprechende Thema theoretisch zusätzlich vertieft
* Workshop Advanced Machine Learning: hier wird in einem einwöchigen Intensivkurs ein aktuelles Forschungsthema vertieft unterrichtet und auf reale Daten angewendet.
Beispiele für erfolgreiche Anwendungen sind unter anderem Bioinformatik, Computersicherheit und Textmining.
Darüber hinaus können die Studierenden in der Wahlpflichtveranstaltung je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen:
* Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens.
* Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums.
* Seminare: in den jeweiligen Seminaren wird das selbstständige Einarbeiten und Präsentieren von Wissenschaftlichen Ergebnissen geübt.
* Deep Neural Networks, Machine Learning in the Sciences: in den jeweiligen Zusatzvorlesungen wird das entsprechende Thema theoretisch zusätzlich vertieft
* Workshop Advanced Machine Learning: hier wird in einem einwöchigen Intensivkurs ein aktuelles Forschungsthema vertieft unterrichtet und auf reale Daten angewendet.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Maschinelles Lernen II | Integrierte Veranstaltung | 0434 L 503 | Sommersemester | [en] | 6 | ISIS |
Wahlpflichtbereich
Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Big Data: Skalierbares Maschinelles Lernen | Kurs | Wintersemester | – | 2 | ISIS | |
| Big Data: Skalierbares Maschinelles Lernen | Vorlesung | Sommersemester | – | 2 | ISIS | |
| Classical Topics in ML | Seminar | 0434 L 588 | Wintersemester | – | 2 | ISIS |
| Deep Neural Networks | Vorlesung | Winter- und Sommersemester | – | 2 | ISIS | |
| Hot Topics In ML | Seminar | 0434 L 560 | Sommersemester | – | 2 | ISIS |
| Learning on Structured Data | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Machine Learning for Computer Vision | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Machine Learning in the Sciences | Vorlesung | Sommersemester | – | 2 | ISIS | |
| Mathematische Grundlagen für Maschinelles Lernen | Kurs | 0434 L 545 | Winter- und Sommersemester | – | 2 | WiSe 2026/27 (1) ISIS |
| Matlabprogrammierung für ML und Datenanlyse | Kurs | 0434 L 544 | Winter- und Sommersemester | – | 2 | ISIS |
| Pythonprogrammierung für ML und Datenanalyse | Kurs | 0434 L 543 | Winter- und Sommersemester | [en] | 2 | ISIS |
| Representations in Machine Learning | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Scientific applications in Machine Learning | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Workshop Advanced Machine Learning | Vorlesung | Sommersemester | – | 2 | ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1
- Mathematische Grundlagen für Maschinelles Lernen (Math4ML) (Vorlesung) 1. Termingruppe 0434 L 545
Arbeitsaufwand und Leistungspunkte
Maschinelles Lernen II (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Concepts & Theory | 15 | 6 h | 90 h |
| Exercises | 15 | 6 h | 90 h |
| Programming | 15 | 6 h | 90 h |
| 270 h | |||
Big Data: Skalierbares Maschinelles Lernen (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Big Data: Skalierbares Maschinelles Lernen (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Classical Topics in ML (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Deep Neural Networks (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Hot Topics In ML (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Learning on Structured Data (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning for Computer Vision (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning in the Sciences (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Mathematische Grundlagen für Maschinelles Lernen (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Matlabprogrammierung für ML und Datenanlyse (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Pythonprogrammierung für ML und Datenanalyse (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Representations in Machine Learning (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Scientific applications in Machine Learning (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Workshop Advanced Machine Learning (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 1530 Stunden. Damit umfasst das Modul 12 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Die IV besteht aus einem Vorlesungsteil (Frontalunterricht vor allen Teilnehmer:innen zur Vermittlung des Stoffes) und einem Anteil praktischer Arbeit. Letztere besteht aus dem selbstständigen Bearbeiten von Übungsaufgaben.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Lineare Algebra, Analysis, Wahrscheinlichkeitsrechnung. Grundlagen des maschinellen Lernens sind ratsam, z.B. Teilnahme am Modul „Maschinelles Lernen 1“, jedoch bei solidem theoretischem Vorwissen nicht zwingend erforderlich.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.
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: 2 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
Keine.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2020 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction |
| WiSe 2020/21 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction | |
| SoSe 2021 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction | |
| WiSe 2021/22 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction | |
| SoSe 2022 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction | |
| WiSe 2022/23 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Digital Media und Human-Computer Interaction | |
| SoSe 2023 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems | |
| WiSe 2023/24 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems |
Sonstiges
Die doppelte Anerkennung einzelner Lehrveranstaltungen aus bereits belegten Modulen ist ausgeschlossen.