Programmierpraktikum: Datensysteme - Machine Learning PipelinesModulbeschreibung #41222 / Version 2
- 6 LP
- Portfolioprüfung
- Unbenotet
- Wintersemester
- Englisch
| Modul / Version | #41222 / #2 |
|---|---|
| Gültigkeit | Seit SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Schelter, Sebastian |
| Benotung | Unbenotet |
| 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 | Keine Angabe |
|---|---|
| Ansprechpartner*in | Schelter, Sebastian |
| E-Mail-Adresse | sebastian.schelter@tu-berlin.de |
| Webseite | Keine Angabe |
Lernergebnisse
Die Studierenden lernen
- Software-Engineering-Methoden anzuwenden, um eine komplexe praktische Aufgabe zu lösen,
- Gemeinschaftliche Projektarbeit,
- gängige Methoden zur Implementierung ausgewählter Komponenten von Pipelines für maschinelles Lernen zu nutzen
- Software-Engineering-Methoden anzuwenden, um eine komplexe praktische Aufgabe zu lösen,
- Gemeinschaftliche Projektarbeit,
- gängige Methoden zur Implementierung ausgewählter Komponenten von Pipelines für maschinelles Lernen zu nutzen
Lehrinhalte
Zu Beginn jedes Semesters definieren wir ein neues Projekt (oder mehrere) im Zusammenhang mit der Implementierung von Pipelines für maschinelles Lernen (die Daten aus heterogenen Quellen aufbereiten, sie als Features kodieren und anschließend ein oder mehrere ML-Modelle trainieren). Studierende erhalten Spezifikationen zu diesen Komponenten sowie ausgewählte Umsetzungsziele. Die Aufgabe besteht dann darin, in selbstorganisierten Teams von 4 Personen korrekte Implementierungen dieser Komponenten in Python, Scala oder Rust zu erstellen. Neben der Entwicklung des Quellcodes der Prototypen sind weitere wichtige Aspekte der Einsatz von Versionskontrolltools, testgetriebene Entwicklung, Designdokumentation sowie Laufzeitexperimente und -verbesserungen. Gleichzeitig ermöglicht dieses Projekt ein tieferes Verständnis von Methoden im Zusammenhang mit Pipelines für maschinelles Lernen und Datenanalyse sowie Algorithmen und Datenstrukturen. Der Fokus liegt jedoch auf einer problemorientierten Nutzung von Programmierkenntnissen, also der Lösung eines praktischen Problems, und nicht auf einer ganzheitlichen Abdeckung der Funktionalität von Machine-Learning-Anwendungen.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Datensysteme - Machine Learning Pipelines | Praktikum | Wintersemester | [en] | 4 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Datensysteme - Machine Learning Pipelines (Praktikum) 1
- Datensysteme - Machine Learning Pipelines (Praktikum) Begleitende Vorlesung
Arbeitsaufwand und Leistungspunkte
Datensysteme - Machine Learning Pipelines (Praktikum)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 10 h | 150 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Betreute, selbstorganisierte Projektarbeit
Aufbau und Durchführung von Laufzeitexperimenten
Präsentation und Diskussion der Versuchsergebnisse
Aufbau und Durchführung von Laufzeitexperimenten
Präsentation und Diskussion der Versuchsergebnisse
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Keine formalen Voraussetzungen, aber grundlegende Kenntnisse in Programmiersprachen, Informationssystemen und Datenanalyse sowie Algorithmen und Datenstrukturen sind von Vorteil.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Unbenotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Deutsch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Projektimplementierung | 45 | praktisch | ca. 70 Stunden |
| (Ergebnisprüfung) Tests (Komponenten und Funktionen) | 10 | praktisch | ca. 15 Stunden |
| (Ergebnisprüfung) Laufzeitexperimente | 15 | praktisch | ca. 20 Stunden |
| (Ergebnisprüfung) Dokumentation | 15 | schriftlich | Design Dokument (bis zu vier Seiten) |
| (Ergebnisprüfung) Ergebnispräsentation | 15 | mündlich | 10 Minuten Vortrag |
Prüfungsbeschreibung (Abschluss des Moduls)
Die Modulprüfung umfasst die Einreichung der Artefakte der Projektimplementierung und Dokumentation, sowie die Präsentation der Ergebnisse vor den Teilnehmern des Kurses.
Projektimplementierung: Source Code des Projekts | Ausimplementierung der 8 bereitsgestellten Python Komponentenklassen
Tests (Komponenten und Funktionen): Source Code der Tests | Ausimplementierung der 3 bereitgestellten Python Pipeline Usecases
Laufzeitexperimente: Erreichung Performance-Ziel | Fehlerfreie Ausführung der 8 bereitgestellten Python Testklassen un der drei bereitgestellten Pyton Pipelines Usecases
Projektimplementierung: Source Code des Projekts | Ausimplementierung der 8 bereitsgestellten Python Komponentenklassen
Tests (Komponenten und Funktionen): Source Code der Tests | Ausimplementierung der 3 bereitgestellten Python Pipeline Usecases
Laufzeitexperimente: Erreichung Performance-Ziel | Fehlerfreie Ausführung der 8 bereitgestellten Python Testklassen un der drei bereitgestellten Pyton Pipelines Usecases
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 16.
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 |
|---|---|---|
| Informatik StuPO 2015 | SoSe 2026 | Wahlpflichtbereich Programmierpraktikum |
| WiSe 2026/27 | Wahlpflichtbereich › Programmierpraktikum | |
| Informatik StuPO 2025 | WiSe 2026/27 | Wahlpflichtbereich › Programmierpraktikum |
| Wirtschaftsinformatik StuPO 2021 | SoSe 2026 | Wahlpflichtbereich › Programmierpraktikum |
| WiSe 2026/27 | Wahlpflichtbereich › Programmierpraktikum | |
| Wirtschaftsinformatik StuPO 2025 | WiSe 2026/27 | Wahlpflichtbereich › Programmierpraktikum |
Sonstiges
Keine Angabe