Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Maschinelles Lernen für Alterung und LanglebigkeitModulbeschreibung #51093 / Version 3

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v7)
Modul / Version#51093 / #3
GültigkeitSoSe 2025 – WiSe 2025/26
Verfügbare Sprache(n)Deutsch
Leistungspunkte6
Modulverantwortliche*rHughes, Charmayne Mary Lee
BenotungBenotet
PrüfungsformHausarbeit
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät V
InstitutInstitut für Psychologie und Arbeitswissenschaft (IPA)
Fachgebiet35321700 FG Altersgerechte Mensch-Technik-Systeme

Kontakt

SekretariatKWT 1
Ansprechpartner*inHughes, Charmayne Mary Lee
E-Mail-Adressehughes@tu-berlin.de
Webseitehttps://www.tu.berlin/ahms

Lernergebnisse

Durch einen praxisorientierten Ansatz und reale Datensätze vermittelt dieser Kurs den Studierenden ein umfassendes Verständnis des maschinellen Lernens und seiner Anwendungen im Bereich des Alterns und der Langlebigkeit. Zu den behandelten Themen gehören der Prozess der Datenerzeugung, die Modellauswahl und -bewertung, verallgemeinerte lineare Modelle, verschiedene überwachte und unüberwachte Algorithmen des maschinellen Lernens (wie Support-Vector-Machines, Entscheidungsbäume, Random Forests, neuronale Netze und k-Means) sowie ethische Überlegungen zur künstlichen Intelligenz und zum maschinellen Lernen.

Die Studierenden lernen, wie man Methoden des maschinellen Lernens effektiv einsetzt, einschließlich der
Bewertung von Annahmen über den Prozess der Datengenerierung, der Erstellung relevanter Merkmale,
des Umgangs mit fehlenden Daten und der Reduzierung von Verzerrungen. Neben der Vertrautheit mit dem Potenzial des maschinellen Lernens im Bereich des Alterns werden die Studierenden auch die spezifischen Herausforderungen und Grenzen dieser Anwendungen untersuchen. Am Ende des Kurses verfügen die Studierenden über ein solides Fundament im Bereich des maschinellen Lernens und dessen Potenzial für die Weiterentwicklung der Alternsforschung und -praxis.

Nach erfolgreichem Abschluss des Moduls werden die Studierenden in der Lage sein,
• eine Reihe von Modellen des maschinellen Lernens (im Kurs identifiziert und behandelt) und ihre Anwendungen in den Bereichen Altern und Langlebigkeit zu verstehen.
• geeignete intelligente Systemmodelle und Rechenwerkzeuge zu identifizieren und auf spezifische Probleme im Bereich Altern und Langlebigkeit anzuwenden.
• die Leistung spezifischer Modelle bei der Anwendung auf Alterungsprobleme zu analysieren und ihre Verwendung und Grenzen zu begründen.
• Methoden und Erkenntnisse aus dem maschinellen Lernen und anderer relevanter Literatur zu identifizieren, zu verstehen und zu interpretieren.
• Diskutieren Sie verschiedene gesellschaftliche Fragen und ethische Bedenken im Zusammenhang mit maschinellem Lernen im Kontext des Alterns.

Lehrinhalte

- Einführung in datenbasierte Methoden und ihre Anwendungen im Ingenieurwesen.
- Explorative Datenanalyse
- Überwachte Lernmodelle (z. B. lineare Regression, logistische Regression, Entscheidungsbäume, K-nächste Nachbarn, Support-Vector-Machine usw.)
- Unüberwachte Lernmethoden (z. B. K-Means, Support-Vector-Machine)
- Evaluierung und Bewertung von maschinellen Lernmethoden
- Risikobewertung, Ethik und technologische Folgenabschätzung

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Machine Learning for Aging and LongevityÜbung51093 Winter- und Sommersemester[en]2 ISIS
Machine Learning for Aging and LongevitySeminar51093 Winter- und Sommersemester[en]2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (2)

Machine Learning for Aging and Longevity (Übung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Machine Learning for Aging and Longevity (Seminar) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Machine Learning for Aging and Longevity (Übung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Machine Learning for Aging and Longevity (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Seminar: Unterricht zur Vermittlung der Kursinhalte und -zusammenhänge als Frontalunterricht mit vielen Beispielen aus der Praxis und interaktiven Fragen.
Übung: praktische und angeleitete Umsetzung von Programmieraufgaben in der Programmiersprache Python sowie Übungen in Kleingruppen zur Vertiefung und Anwendung des Vorlesungsstoffes.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Für diesen Kurs werden Grundkenntnisse in Mathematik, Wahrscheinlichkeitsrechnung und Statistik sowie Datenstrukturen empfohlen.
Die Programmierung erfolgt in Python.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformHausarbeit
SpracheEnglisch, Deutsch
Dauer/Umfangn.a.

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

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Anmeldung zu Prüfungen in Moses
Kursanmeldung über ISIS

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

  • Hands-on Machine Learning with Scikit-Learn, Keras, & TensorFlow. 2nd Edition, O’Reilly Media, Inc., Sebastopol.

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
SoSe 20251. Kernbereich 1: Informatik und Mathematik
WiSe 2025/261. Kernbereich 1: Informatik und Mathematik
Human Factors
StuPO 2018
SoSe 2025V. Wahlpflichtmodule zum Erwerb von Vertiefungswissen (18 LP) › V.2 Grundlagenorientierte Vertiefungen
WiSe 2025/26V. Wahlpflichtmodule zum Erwerb von Vertiefungswissen (18 LP) › V.2 Grundlagenorientierte Vertiefungen
SoSe 2026V. Wahlpflichtmodule zum Erwerb von Vertiefungswissen (18 LP) › V.2 Grundlagenorientierte Vertiefungen
Physikalische Ingenieurwissenschaft
StuPO 2007 (19.12.2007)
WiSe 2025/262.1 Numerik und Simulation › 2.1b Ergänzungsbereich
Physikalische Ingenieurwissenschaft
StuPO 2020
WiSe 2025/262.1 Numerik und Simulation › 2.1b Ergänzungsbereich
SoSe 20262.1 Numerik und Simulation › 2.1b Ergänzungsbereich

Sonstiges

Keine Angabe