Kausalität und Maschinelles LernenModulbeschreibung #41301 / Version 1
- 3 LP
- Referat
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #41301 / #1 |
|---|---|
| Gültigkeit | Seit SoSe 2026 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 3 |
| Modulverantwortliche*r | Haufe, Stefan |
| Benotung | Benotet |
| Prüfungsform | Referat |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät IV |
|---|---|
| Institut | Institut für Softwaretechnik und Theoretische Informatik |
| Fachgebiet | 34352700 FG S-Professur Unsicherheit, inverse Modellierung und maschinelles Lernen (UNIML) |
Kontakt
| Sekretariat | MAR 4-3 |
|---|---|
| Ansprechpartner*in | Haufe, Stefan |
| E-Mail-Adresse | haufe@tu-berlin.de |
| Webseite | Keine Angabe |
Lernergebnisse
Wissen: Die Studierenden haben einen umfassenden Überblick über die vielfältigen Aspekte der Kausalität in Daten und ihre Verbindungen zu Methoden des maschinellen Lernens erlangt und individuelle, tiefe Einblicke in ein Thema ihrer Wahl gewonnen.
Fertigkeiten: Die Studierenden haben Fähigkeiten erworben oder verfeinert, um wissenschaftliche Literatur eigenständing zu überprüfen und systematisch zu strukturieren. Sie haben an Erfahrung gewonnen, ihre Literaturrecherche vor einem kritischen Publikum zu präsentieren und an wissenschaftlichen Diskussionen teilzunehmen.
Kompetenzen: Die Studierenden sind in der Lage, neuartige wissenschaftliche Ergebnisse im Bereich der Kausalität und des maschinellen Lernens kritisch zu reflektieren. Sie können diese Ergebnisse auf die Literatur beziehen und ihre Qualität und Auswirkungen anhand angemessener Metriken bewerten.
Fertigkeiten: Die Studierenden haben Fähigkeiten erworben oder verfeinert, um wissenschaftliche Literatur eigenständing zu überprüfen und systematisch zu strukturieren. Sie haben an Erfahrung gewonnen, ihre Literaturrecherche vor einem kritischen Publikum zu präsentieren und an wissenschaftlichen Diskussionen teilzunehmen.
Kompetenzen: Die Studierenden sind in der Lage, neuartige wissenschaftliche Ergebnisse im Bereich der Kausalität und des maschinellen Lernens kritisch zu reflektieren. Sie können diese Ergebnisse auf die Literatur beziehen und ihre Qualität und Auswirkungen anhand angemessener Metriken bewerten.
Lehrinhalte
1. Wahrscheinlichkeitstheorie
2. Bausteine der kausalen Modellierung, z. B.
• Confounding, Collider, Suppressor Variablen
• Simpsons Paradoxon, Berksons Paradoxon
• Pearls kausale Hierarchie
• Do-Kalkül
• Randomisierte Experimente und Mendelian randomization
• Potential outcomes framework
• Structural causal models
• Granger causality
• Dynamic causal modeling
3. Probleme und Methoden der kausalen Inferenz, z. B.
• Causal discovery und Systemidentifikation, z. B. Randomisierung, Half-Trek-Kriterium, LiNGAM-Algorithmen, Unabhängigkeits- und bedingte Unabhängigkeitstests
• Schätzung des durchschnittlichen und individuellen Behandlungseffekts, z. B. Backdoor- und Frontdoor-Kriterium, instrumental variables, g Methods, uplift curves, Qini coefficients, difference-in-differences, regression discontinuity design, T, S, and X learners, propensity scores, doubly robust estimation, double ML, causal ML, dose-response curve estimation
• Identifizierung von Untergruppen
4. Kausalität und ML-Modellgeneralisierung
5. Kausalität und ML-Fairness
6. Kausalität und „erklärbare“ KI
7. Disentanglement and representation learning
8. Invariant feature learning, transportability
9. Kausalität und Zeit
2. Bausteine der kausalen Modellierung, z. B.
• Confounding, Collider, Suppressor Variablen
• Simpsons Paradoxon, Berksons Paradoxon
• Pearls kausale Hierarchie
• Do-Kalkül
• Randomisierte Experimente und Mendelian randomization
• Potential outcomes framework
• Structural causal models
• Granger causality
• Dynamic causal modeling
3. Probleme und Methoden der kausalen Inferenz, z. B.
• Causal discovery und Systemidentifikation, z. B. Randomisierung, Half-Trek-Kriterium, LiNGAM-Algorithmen, Unabhängigkeits- und bedingte Unabhängigkeitstests
• Schätzung des durchschnittlichen und individuellen Behandlungseffekts, z. B. Backdoor- und Frontdoor-Kriterium, instrumental variables, g Methods, uplift curves, Qini coefficients, difference-in-differences, regression discontinuity design, T, S, and X learners, propensity scores, doubly robust estimation, double ML, causal ML, dose-response curve estimation
• Identifizierung von Untergruppen
4. Kausalität und ML-Modellgeneralisierung
5. Kausalität und ML-Fairness
6. Kausalität und „erklärbare“ KI
7. Disentanglement and representation learning
8. Invariant feature learning, transportability
9. Kausalität und Zeit
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Causality and Machine Learning | Seminar | Winter- und Sommersemester | [en] | 2 | ISIS |
Arbeitsaufwand und Leistungspunkte
Causality and Machine Learning (Seminar)
| 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 90 Stunden. Damit umfasst das Modul 3 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Das Modul besteht aus einem Seminar, welches entweder in einem wöchentlichen Rhythmus oder am Ende des Semesters an zwei Tagen als ganztägige Veranstaltung durchgeführt wird.
Zu Beginn des Semesters wählen die Studierenden ein Thema aus einer Sammlung von bereitgestellter Fachliteratur aus. Die Studierenden machen sich mit dem Thema vertraut und bereiten eine Präsentation vor, die sie dann vor der Klasse halten. Dabei halten sie regelmäßig Rücksprache mit einem ihnen zugewiesenen Betreuer.
Zu Beginn des Semesters wählen die Studierenden ein Thema aus einer Sammlung von bereitgestellter Fachliteratur aus. Die Studierenden machen sich mit dem Thema vertraut und bereiten eine Präsentation vor, die sie dann vor der Klasse halten. Dabei halten sie regelmäßig Rücksprache mit einem ihnen zugewiesenen Betreuer.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
• Grundkenntnisse in Mathematik (insbesondere Analysis, lineare Algebra und Stochastik)
• einführendes Modul in ML wie „Machine Learning I“ oder „Machine Intelligence I“ erfolgreich abgeschlossen
• Bacherlorabschluss in Informatik wird empfohlen
• einführendes Modul in ML wie „Machine Learning I“ oder „Machine Intelligence I“ erfolgreich abgeschlossen
• Bacherlorabschluss in Informatik wird empfohlen
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Referat |
| Sprache | Englisch |
| Dauer/Umfang | 45 Minuten |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Winter- und Sommersemester.
Maximale teilnehmende Personen
Die maximale Teilnehmerzahl beträgt 20.
Anmeldeformalitäten
Studierende können sich für den Kurs in MOSES anmelden.
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 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Informationssysteme / Information Systems |
| Computer Science (Informatik) StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete › Informationssysteme / Information Systems |
| Elektrotechnik StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Informationssysteme / Information Systems |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Wirtschaftsinformatik › Informationssysteme / Information Systems |
Sonstiges
Keine Angabe