DEAI - Data Engineering für KI und MLModulbeschreibung #41345 / Version 2
- 12 LP
- Portfolioprüfung
- Benotet
- Winter- und Sommersemester
- Englisch
| Modul / Version | #41345 / #2 |
|---|---|
| Gültigkeit | Seit WiSe 2026/27 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 12 |
| 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 | Keine Angabe |
|---|---|
| Ansprechpartner*in | Schelter, Sebastian |
| E-Mail-Adresse | schelter@tu-berlin.de |
| Webseite | https://deem.berlin/#teaching |
Lernergebnisse
In diesem Projektseminar lernen die Studierenden, aktuelle Fragestellungen im Bereich Data-Engineering-für-KI-und-ML systematisch zu analysieren und zu bearbeiten. Darüber hinaus lernen die Studierenden den Stand der Technik und aktuelle Forschungsthemen im Bereich Data Engineering und Responsible Data Science kennen.
Im Projekt lernen sie eine problemorientierte Lösung zu entwickeln und umzusetzen. Die Studierenden lernen, als Team zusammenzuarbeiten, zur Projektorganisation, Qualitätssicherung und Dokumentation beizutragen und die Qualität ihrer Lösung durch Analysen, systematische Experimente und Testfälle zu bewerten. Nach dem Kurs sind die Studierenden in der Lage, die Architektur komplexer Datensysteme zu verstehen und Probleme beim End-to-End-Design, der Implementierung, dem Testen und dem Einsatz großer datengesteuerter Systeme zu lösen.
In den Seminaren lernen die Studierenden wissenschaftliche Arbeiten aus der Literatur zu Data Engineering und verantwortungsvoller Datenwissenschaft kritisch zu lesen und zu interpretieren, einen guten wissenschaftlichen Vortrag zu halten, der technisch präzise, auf die relevanten Themen konzentriert und zudem unterhaltsam ist, sowie eine wissenschaftliche Uebersicht auf der Grundlage von Artikeln aus verschiedenen Quellen zu verfassen.
Im Projekt lernen sie eine problemorientierte Lösung zu entwickeln und umzusetzen. Die Studierenden lernen, als Team zusammenzuarbeiten, zur Projektorganisation, Qualitätssicherung und Dokumentation beizutragen und die Qualität ihrer Lösung durch Analysen, systematische Experimente und Testfälle zu bewerten. Nach dem Kurs sind die Studierenden in der Lage, die Architektur komplexer Datensysteme zu verstehen und Probleme beim End-to-End-Design, der Implementierung, dem Testen und dem Einsatz großer datengesteuerter Systeme zu lösen.
In den Seminaren lernen die Studierenden wissenschaftliche Arbeiten aus der Literatur zu Data Engineering und verantwortungsvoller Datenwissenschaft kritisch zu lesen und zu interpretieren, einen guten wissenschaftlichen Vortrag zu halten, der technisch präzise, auf die relevanten Themen konzentriert und zudem unterhaltsam ist, sowie eine wissenschaftliche Uebersicht auf der Grundlage von Artikeln aus verschiedenen Quellen zu verfassen.
Lehrinhalte
In den Seminaren wird den Studierenden wird zunächst ein Forschungspapier zugeteilt (das als Primärquelle und Ausgangspunkt dient). Anschließend führen die Studierenden eine eigene Literaturrecherche durch, um verwandte/ergänzende Materialien (aus verschiedenen Quellen wie Büchern, Konferenzpapieren und Zeitschriften) zu identifizieren. Repräsentative Quellen sind Konferenzen wie bespielsweise VLDB, SIGMOD, NeurIPS, ICML, ICLR, CIDR sowie FAccT, AIES und EEAMO. Zusätzlich halten sie ein Koreferat zur kritischen Betrachtung eines weiteren Papiers.
Im Projekt werden verschiedene Themen angeboten, z. B. die Implementierung / Reproduktion eines Systems aus einem Forschungspapier oder die Weiterentwicklung von prototypischen Systemen aus der Forschung des DEEM Lab. Die Studierenden arbeiten dann in Gruppen an der Umsetzung, nehmen an Diskussionsrunden zu Design, Implementierung, Tests und Experimenten teil und halten Vorträge zum Stand ihres Projektes.
Im Projekt werden verschiedene Themen angeboten, z. B. die Implementierung / Reproduktion eines Systems aus einem Forschungspapier oder die Weiterentwicklung von prototypischen Systemen aus der Forschung des DEEM Lab. Die Studierenden arbeiten dann in Gruppen an der Umsetzung, nehmen an Diskussionsrunden zu Design, Implementierung, Tests und Experimenten teil und halten Vorträge zum Stand ihres Projektes.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Data Engineering for AI and ML (DEAI) | Projekt | Winter- und Sommersemester | [en] | 6 | WiSe 2026/27 (1) ISIS |
Wahlpflichtbereich
Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Data Engineering for AI and ML (DEAI) | Seminar | Winter- und Sommersemester | [en] | 2 | WiSe 2026/27 (1) ISIS | |
| Responsible Data Engineering (RDSEM) | Seminar | Winter- und Sommersemester | [en] | 2 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (3)
Data Engineering for AI and ML (DEAI) (Projekt) 1
- Data Engineering for AI and ML (DEAI) (Projekt) Teringruppe 1
Data Engineering for AI and ML (DEAI) (Seminar) 1
- Data Engineering for AI and ML (DEAI) (Seminar) Termingruppe 1
Responsible Data Engineering (RDSEM) (Seminar) 1
- Responsible Data Engineering (RDSEM) (Seminar) Termingruppe 1
Arbeitsaufwand und Leistungspunkte
Data Engineering for AI and ML (DEAI) (Projekt)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 6 h | 90 h |
| Vor-/Nachbereitung | 15 | 12 h | 180 h |
| 270 h | |||
Data Engineering for AI and ML (DEAI) (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| Ausarbeitung Vortrag | 1 | 30 h | 30 h |
| 90 h | |||
Responsible Data Engineering (RDSEM) (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| Ausarbeitung Vortrag | 1 | 30 h | 30 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 450 Stunden. Damit umfasst das Modul 12 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
• Angeleitete und selbständige Projektarbeit
• Begleitetes und selbstorganisiertes Lesen wissenschaftlicher Papiere
• Recherchieren von Literatur
• Koreferat
• Begleitetes und selbstorganisiertes Lesen wissenschaftlicher Papiere
• Recherchieren von Literatur
• Koreferat
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Abgeschlossene Grundkurse zu angewandtem maschinellem Lernen, Datenmanagement, sowie die Vorlesung zu „Data Engineering for Machine Learning“.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| (Ergebnisprüfung) Präsentation im Seminar | 10 | mündlich | 10-20 Minuten |
| (Ergebnisprüfung) Diskussion von Seminarinhalten | 10 | mündlich | 10-20 Minuten |
| (Ergebnisprüfung) Koreferat zu Seminarpräsentation | 5 | mündlich | 5-10 Minuten |
| (Ergebnisprüfung) Initiale Präsentation im Projekt | 5 | mündlich | 2-5 Minuten |
| (Ergebnisprüfung) Schriftlicher Fortschrittsbericht im Projekt | 5 | schriftlich | 2-5 Seiten |
| (Ergebnisprüfung) Finale Präsentation im Projekt | 15 | mündlich | 15-30 Minuten |
| (Lernprozessevaluation) Prototyp mit Test Cases und Dokumentation | 25 | praktisch | Ca. 60 Stunden |
| (Lernprozessevaluation) Experimentdesign and -analyse | 25 | praktisch | Ca. 60 Stunden |
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 24.
Anmeldeformalitäten
Details zur Registrierung werden auf der ISIS Seite bekannt gegeben.
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
- Project specific literature will be announced in the first lecture.
Zugeordnete Studiengänge
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| Computer Science (Informatik) StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete › Data and Software Engineering / Data and Software Engineering |
| Elektrotechnik StuPO 2015 | WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
Sonstiges
Keine Angabe