Master Seminar: Ausgewählte Themen in Robot LearningModulbeschreibung #41210 / Version 1
- 3 LP
- Portfolioprüfung
- Unbenotet
- Wintersemester
- Englisch
| Modul / Version | #41210 / #1 |
|---|---|
| Gültigkeit | Seit WiSe 2024/25 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 3 |
| Modulverantwortliche*r | Toussaint, Marc |
| Benotung | Unbenotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Technische Informatik und Mikroelektronik |
| Fachgebiet | 34342100 FG Lernende intelligente Systeme |
Kontakt
| Sekretariat | MAR 4-4 |
|---|---|
| Ansprechpartner*in | Toussaint, Marc |
| E-Mail-Adresse | office@lis.tu-berlin.de |
| Webseite | https://argmin.lis.tu-berlin.de/ |
Lernergebnisse
Sich mit den neuesten Entwicklungen im Roboter Lernen vertraut machen, die Verbindung zwischen universitären Lehrveranstaltungen und aktiven Forschungsentwicklungen herstellen, Präsentation und Zusammenfassung wissenschaftlicher Arbeiten üben. Nach erfolgreichem Abschluss haben die Teilnehmer 1) Einblicke in ausgewählte Themen des modernen Roboter lernens erhalten und 2) Fähigkeiten im Zusammenfassen und Kommunizieren wissenschaftlicher Arbeiten erworben
Lehrinhalte
Der Kurs umfasst eingeladene Vorträge verschiedener international renommierter Experten, die sich mit Präsentationen der Studierenden und Diskussionen über verwandte Arbeiten abwechseln.
In der Woche vor jedem Vortrag lesen die Studierenden Artikel, die mit dem Thema des Vortrags in Verbindung stehen (vom Referenten oder seiner Gruppe verfasst), und stellen die ausgewählten Arbeiten vor. Wir werden eine Liste mit Vorschlägen für Referate zur Verfügung stellen, so dass bis zu drei Studenten in jeder Sitzung präsentieren können.
Zu Beginn des Kurses wählt jeder Studierende einen wissenschaftlichen Artikel aus der bereitgestellten Liste aus, den er liest und vorstellt.
Darüber hinaus erstellen die Studierenden einen zusammenfassenden Bericht für das Referat, indem sie verwandte Arbeiten recherchieren und Artikel miteinander vergleichen. Die Seminarnote basiert auf der Präsentation des Artikels und
dem zusammenfassenden Bericht.
* Präsentation: Das Referat wird während einer der Seminarsitzungen gehalten. Die Präsentation dauert maximal 20 Minuten mit einer 5-minütigen Fragerunde.
* Zusammenfassender Bericht: Fassen Sie die wichtigsten Ideen der Arbeit und die Methodik zusammen und vergleichen Sie sie mit verwandten Artikeln.
In der Woche vor jedem Vortrag lesen die Studierenden Artikel, die mit dem Thema des Vortrags in Verbindung stehen (vom Referenten oder seiner Gruppe verfasst), und stellen die ausgewählten Arbeiten vor. Wir werden eine Liste mit Vorschlägen für Referate zur Verfügung stellen, so dass bis zu drei Studenten in jeder Sitzung präsentieren können.
Zu Beginn des Kurses wählt jeder Studierende einen wissenschaftlichen Artikel aus der bereitgestellten Liste aus, den er liest und vorstellt.
Darüber hinaus erstellen die Studierenden einen zusammenfassenden Bericht für das Referat, indem sie verwandte Arbeiten recherchieren und Artikel miteinander vergleichen. Die Seminarnote basiert auf der Präsentation des Artikels und
dem zusammenfassenden Bericht.
* Präsentation: Das Referat wird während einer der Seminarsitzungen gehalten. Die Präsentation dauert maximal 20 Minuten mit einer 5-minütigen Fragerunde.
* Zusammenfassender Bericht: Fassen Sie die wichtigsten Ideen der Arbeit und die Methodik zusammen und vergleichen Sie sie mit verwandten Artikeln.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Selected Topics in Robot Learning | Seminar | Wintersemester | [en] | 2 | ISIS |
Arbeitsaufwand und Leistungspunkte
Selected Topics in Robot Learning (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Einarbeitung in das zugewiesene Thema | 1 | 10 h | 10 h |
| Vorbereitung des Vortrages | 1 | 20 h | 20 h |
| Zusammenfassungsbericht | 1 | 30 h | 30 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 90 Stunden. Damit umfasst das Modul 3 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Seminar mit aktiver Beteiligung der Studierenden. Zu Beginn des Kurses wählen Studierende jeweils einen wissenschaftlichen Artikel aus der vorgegebenen Liste aus, den sie lesen und präsentieren.
Außerdem erstellen die Studierenden einen zusammenfassenden Bericht für das Referat, indem sie verwandte Arbeiten recherchieren und Artikel vergleichen. Die Seminarnote basiert auf der Präsentation des Artikels und
dem zusammenfassenden Bericht.
Außerdem erstellen die Studierenden einen zusammenfassenden Bericht für das Referat, indem sie verwandte Arbeiten recherchieren und Artikel vergleichen. Die Seminarnote basiert auf der Präsentation des Artikels und
dem zusammenfassenden Bericht.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
* Großes Interesse an den Themen
* Vertiefte Kenntnisse in der Robotik (mind. bestandener Robotikkurs)
* Allgemeine Kenntnisse in Machine Learning, Deep Learning
* Vertiefte Kenntnisse in der Robotik (mind. bestandener Robotikkurs)
* Allgemeine Kenntnisse in Machine Learning, Deep Learning
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Unbenotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Bericht | 40 | mündlich | 2-3 Seiten |
| (Ergebnisprüfung) Präsentation | 60 | praktisch | 20 min |
Prüfungsbeschreibung (Abschluss des Moduls)
Bewertung als 'bestanden'/'nicht bestanden' basierend auf den individuellen Aufgaben: eine mündliche Präsentation und ein schriftlicher Bericht.
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Wintersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 20.
Anmeldeformalitäten
Details zum Kurs, einschließlich einer Anleitung zur Anmeldung, finden Sie auf der Website des Exzellenzclusters "Science of Intelligence": https://www.scienceofintelligence.de/master-track/.
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 |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems |
| 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 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2025/26 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems | |
| Wirtschaftsingenieurwesen StuPO 2026 | WiSe 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Cognitive Systems |
Sonstiges
Keine Angabe