Wahrscheinlichkeiten und Künstliche IntelligenzModulbeschreibung #41321 / Version 1
- 6 LP
- Schriftliche Prüfung
- Benotet
- Wintersemester
- Deutsch
| Modul / Version | #41321 / #1 |
|---|---|
| Gültigkeit | Seit WiSe 2026/27 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Toussaint, Marc |
| Benotung | Benotet |
| Prüfungsform | Schriftliche Prüfung |
| Lehrsprache(n) | Deutsch |
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 | toussaint@tu-berlin.de |
| Webseite | https://argmin.lis.tu-berlin.de/ |
Lernergebnisse
Die Studierenden erwerben ein Verständnis der Kernkonzepte und Zusammenhänge zwischen Wahrscheinlichkeit, Information, Repräsentation und probabilistischer Modellierung von Daten. Sie lernen, diese Prinzipien auf Probleme des maschinellen Lernens und auf sequenzielle Entscheidungsprobleme anzuwenden. Darüber hinaus können sie mathematische Formulierungen relevanter Methoden in Implementierungen umsetzen.
Lehrinhalte
* Grundlegende Begrifflichkeiten: Information, Entropy, Beschreibungslänge, Repräsentation
* Mehrere Zufallsvariablen und Zufallsvariablen im Kontinuierlichen
* Optimalitätsprinzipien probabilistischer Modelle: bsw. maximum likelihood, minimal description length, minimal cross-entropy, maximum entropy, priors, Modell-Komplexität, Regularisierung
* Probabilistische und neuronale Modelle im ML: bsw. Auto-Encoder, Energie- & Diffusions-Modelle, konditionale Modelle
* Sequenzielle Entscheidungen: Monte-Carlo Tree Search und Reinforcement Lernen
* Mehrere Zufallsvariablen und Zufallsvariablen im Kontinuierlichen
* Optimalitätsprinzipien probabilistischer Modelle: bsw. maximum likelihood, minimal description length, minimal cross-entropy, maximum entropy, priors, Modell-Komplexität, Regularisierung
* Probabilistische und neuronale Modelle im ML: bsw. Auto-Encoder, Energie- & Diffusions-Modelle, konditionale Modelle
* Sequenzielle Entscheidungen: Monte-Carlo Tree Search und Reinforcement Lernen
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
Arbeitsaufwand und Leistungspunkte
Wahrscheinlichkeiten und Künstliche Intelligenz (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Wahrscheinlichkeiten und Künstliche Intelligenz (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Prüfungsvorbereitung | 1 | 60 h | 60 h |
| 60 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Vorlesung: Klassische Vorlesung.
Übungen: Hausaufgaben, die auf Papier lösbar sind und dem Inhalt der abschließenden schriftlichen Prüfung entsprechen; und deren Besprechung.
Programmieraufgaben: Abgabe über ein automatisiertes System.
Übungen: Hausaufgaben, die auf Papier lösbar sind und dem Inhalt der abschließenden schriftlichen Prüfung entsprechen; und deren Besprechung.
Programmieraufgaben: Abgabe über ein automatisiertes System.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Grundkenntnisse zu Wahrscheinlichkeiten auf Abiturniveau
Grundkenntnisse zu multivariater Lineare Algebra und Optimierung
Grundkenntnisse zu Funktionsnetzwerken und Gradientenregeln
Grundkenntnisse in Datenstrukturen und Programmierung (insb. Python)
Grundkenntnisse zu multivariater Lineare Algebra und Optimierung
Grundkenntnisse zu Funktionsnetzwerken und Gradientenregeln
Grundkenntnisse in Datenstrukturen und Programmierung (insb. Python)
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Deutsch |
| Dauer/Umfang | 120 Minuten |
Prüfungsbeschreibung (Abschluss des Moduls)
Voraussetzung zur Anmeldung zur Modulprüfung
Bestehen der Programmier- und Hausaufgaben:
Es müssen durchschnittlich mindestens 50 % der erreichbaren Punkte in jeweils den Programmier- und Hausaufgaben erreicht werden.
Bestehen der Programmier- und Hausaufgaben:
Es müssen durchschnittlich mindestens 50 % der erreichbaren Punkte in jeweils den Programmier- und Hausaufgaben erreicht werden.
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
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
Die Anmeldung zur Lehrveranstaltung und Programmieraufgaben erfolgt über die ISIS-Seite.
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 2025 | WiSe 2026/27 | Pflichtbereich › Mathematisch-algorithmisch-konzeptionelle Kompetenzen |
Sonstiges
Keine Angabe