EDML - Engineering Data for Machine LearningModulbeschreibung #41221 / Version 1
- 6 LP
- Portfolioprüfung
- Benotet
- Wintersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v2)
| Modul / Version | #41221 / #1 |
|---|---|
| Gültigkeit | WiSe 2024/25 – SoSe 2026 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Schelter, Sebastian |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34353500 FG Management von Data Science-Prozessen (BIFOLD) |
Kontakt
| Sekretariat | EN 7 |
|---|---|
| Ansprechpartner*in | Schelter, Sebastian |
| E-Mail-Adresse | schelter@tu-berlin.de |
| Webseite | https://deem.berlin/#teaching |
Lernergebnisse
- Beschreiben des Lebenszyklus von Daten in Systemen, die maschinelles Lernen und prädiktive Analysen nutzen
- Anwendung grundlegender Methoden zum Erstellen und Verwalten von Datensätzen ("Incremental View Maintenance" / "Data Provenance")
- Implementierung effizienter Datenaufbereitungsprogramme mithilfe von (relationalen) Datenflusssystemen
- Identifizierung von Datenproblemen im Zusammenhang mit Datenqualität, Datenschutzverletzungen oder technischem "Bias"
- Entwurf und Validierung einer skalierbare Datenarchitektur zur Vorbereitung und Pflege von Daten für Anwendungen des maschinellen Lernens
- Anwendung grundlegender Methoden zum Erstellen und Verwalten von Datensätzen ("Incremental View Maintenance" / "Data Provenance")
- Implementierung effizienter Datenaufbereitungsprogramme mithilfe von (relationalen) Datenflusssystemen
- Identifizierung von Datenproblemen im Zusammenhang mit Datenqualität, Datenschutzverletzungen oder technischem "Bias"
- Entwurf und Validierung einer skalierbare Datenarchitektur zur Vorbereitung und Pflege von Daten für Anwendungen des maschinellen Lernens
Lehrinhalte
Dieser technische Kurs konzentriert sich auf das Engineering und das Lebenszyklusmanagement von Daten für maschinelle Lernen in echten Systemen in Produktion. Der Kurs beginnt mit einer Zusammenfassung der Grundlagen der relationalen Datenverarbeitung und von Datenflusssystemen. Anschließend lernen die Studierenden die Kodierung, Speicherung und Verwaltung vektorisierter Featuers aus heterogenen Eingabedatenquellen für Anwendungen des maschinellen Lernens sowie die Architektur aktueller hochmoderner Systeme für diese Aufgabe kennen, beispielsweise die Tensorflow Extended Platform von Google. Gleichzeitig werden die Studierenden mit der grundlegenden Theorie für diesen Problembereich vertraut gemacht, wie z. B. "Incremental View Maintenance" für relationale Daten oder die Aufzeichung der Herkunft von Daten ("Data Provenance")
Darüber hinaus lernen die Studierenden, gängige Qualitätsprobleme im Hinblick auf die Vollständigkeit und Konsistenz der Daten zu identifizieren, zu quantifizieren und anzugehen. Darüber hinaus erfahren sie mehr über potenzielle Diskriminierung bei datengesteuerten Entscheidungen aufgrund technischem "Bias" in Datenaufbereitungssystemen und ueber technische Herausforderungen im Hinblick auf die Einhaltung von Vorschriften für private Daten wie dem „Recht auf Vergessen-werden“ aus GDPR . Schließlich werden die Studierenden mit laufenden Forschungsbemühungen in diesem Bereich vertraut gemacht, beispielsweise mit dem Debuggen von ML-Pipelines oder Techniken zur Fehlererkennung durch datenzentrierte KI. Darüber hinaus haben sie die Möglichkeit, mit eingeladenen Praktikern die praktischen Auswirkungen der behandelten Technologien zu diskutieren.
Darüber hinaus lernen die Studierenden, gängige Qualitätsprobleme im Hinblick auf die Vollständigkeit und Konsistenz der Daten zu identifizieren, zu quantifizieren und anzugehen. Darüber hinaus erfahren sie mehr über potenzielle Diskriminierung bei datengesteuerten Entscheidungen aufgrund technischem "Bias" in Datenaufbereitungssystemen und ueber technische Herausforderungen im Hinblick auf die Einhaltung von Vorschriften für private Daten wie dem „Recht auf Vergessen-werden“ aus GDPR . Schließlich werden die Studierenden mit laufenden Forschungsbemühungen in diesem Bereich vertraut gemacht, beispielsweise mit dem Debuggen von ML-Pipelines oder Techniken zur Fehlererkennung durch datenzentrierte KI. Darüber hinaus haben sie die Möglichkeit, mit eingeladenen Praktikern die praktischen Auswirkungen der behandelten Technologien zu diskutieren.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Engineering Data for Machine Learning | Übung | Wintersemester | [en] | 2 | WiSe 2026/27 (1) ISIS | |
| Engineering Data for Machine Learning | Vorlesung | Wintersemester | [en] | 2 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Engineering Data for Machine Learning (Übung) 1
- Data Engineering for Machine Learning (DEML) (Übung) Termingruppe 1
Engineering Data for Machine Learning (Vorlesung) 1
- Data Engineering for Machine Learning (DEML) (Vorlesung) Termingruppe 1
Arbeitsaufwand und Leistungspunkte
Engineering Data for Machine Learning (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 1 h | 15 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 45 h | |||
Engineering Data for Machine Learning (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 3 h | 45 h |
| Project work | 7 | 3 h | 21 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 126 h | |||
Der Aufwand des Moduls summiert sich zu 171 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Der Kurs erfordert grundlegende Kenntnisse der Bereiche relationale Datenbanken, Large-Scale Data Engineering und maschinelles Lernen. Programmierkenntnisse sind erforderlich.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Completed bachelor degree
Completed basic courses on applied machine learning, data management, and distributed systems
Completed basic courses on applied machine learning, data management, and distributed systems
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 |
|---|---|---|---|
| (Ergebnispruefung) Programmieraufgabe 1 | 10 | schriftlich | 1-2 Wochen |
| (Ergebnispruefung) Programmieraufgabe 2 | 10 | praktisch | 1-2 Wochen |
| (Ergebnispruefung) Programmieraufgabe 3 | 10 | praktisch | 1-2 Wochen |
| (Ergebnispruefung) Vorbereitung von Fragen fuer Diskussionen | 10 | praktisch | 5-10 Fragen |
| (Ergebnispruefung) Gruppenpraesentation | 20 | mündlich | 15-25min (pro Gruppe) |
| (Ergebnispruefung) Projektreport (inklusive Code) | 40 | schriftlich | 4-6 Seiten |
Prüfungsbeschreibung (Abschluss des Moduls)
Die Gesamtnote gemäß § 68 (2) AllgStuPO wird nach dem Notenschlüssel 1 der Fakultät IV ermittelt.
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 24.
Anmeldeformalitäten
Zum Besuch der Lehrveranstaltung ist eine Zulassung erforderlich. Bitte informieren Sie sich vor Beginn der Vorlesungszeit auf https://deem.berlin/#teaching , um nähere Informationen zum Anmeldeprozess zu erhalten.
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 Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| SoSe 2026 | Wahlpflicht 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 › Data and Software Engineering / Data and Software Engineering | |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| 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 | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2025 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems |
| WiSe 2025/26 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems | |
| SoSe 2026 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
Sonstiges
Keine Angabe