Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

EDML - Engineering Data for Machine LearningModulbeschreibung #41221 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v2)
Modul / Version#41221 / #1
GültigkeitWiSe 2024/25 – SoSe 2026
Verfügbare Sprache(n)Englisch
Leistungspunkte6
Modulverantwortliche*rSchelter, Sebastian
BenotungBenotet
PrüfungsformPortfolioprüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34353500 FG Management von Data Science-Prozessen (BIFOLD)

Kontakt

SekretariatEN 7
Ansprechpartner*inSchelter, Sebastian
E-Mail-Adresseschelter@tu-berlin.de
Webseitehttps://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

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.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Engineering Data for Machine LearningÜbung Wintersemester[en]2 ISIS
Engineering Data for Machine LearningVorlesung Wintersemester[en]2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (2)

Engineering Data for Machine Learning (Übung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Engineering Data for Machine Learning (Vorlesung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Engineering Data for Machine Learning (Übung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit151 h15 h
Vor-/Nachbereitung152 h30 h
45 h

Engineering Data for Machine Learning (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit153 h45 h
Project work73 h21 h
Vor-/Nachbereitung154 h60 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

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
(Ergebnispruefung) Programmieraufgabe 110schriftlich1-2 Wochen
(Ergebnispruefung) Programmieraufgabe 210praktisch1-2 Wochen
(Ergebnispruefung) Programmieraufgabe 310praktisch1-2 Wochen
(Ergebnispruefung) Vorbereitung von Fragen fuer Diskussionen10praktisch5-10 Fragen
(Ergebnispruefung) Gruppenpraesentation20mündlich15-25min (pro Gruppe)
(Ergebnispruefung) Projektreport (inklusive Code)40schriftlich4-6 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 / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
WiSe 2025/26Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems
SoSe 2026Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2025/26Studiengebiete › Data and Software Engineering / Data and Software Engineering
SoSe 2026Studiengebiete › Kognitive Systeme / Cognitive Systems
Elektrotechnik
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2025/26Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
SoSe 2025Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems
WiSe 2025/26Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems
SoSe 2026Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering

Sonstiges

Keine Angabe