Maschinelles Lernen für Alterung und LanglebigkeitModulbeschreibung #51093 / Version 3
- 6 LP
- Hausarbeit
- Benotet
- Winter- und Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v7)
| Modul / Version | #51093 / #3 |
|---|---|
| Gültigkeit | SoSe 2025 – WiSe 2025/26 |
| Verfügbare Sprache(n) | Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Hughes, Charmayne Mary Lee |
| Benotung | Benotet |
| Prüfungsform | Hausarbeit |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Psychologie und Arbeitswissenschaft (IPA) |
| Fachgebiet | 35321700 FG Altersgerechte Mensch-Technik-Systeme |
Kontakt
| Sekretariat | KWT 1 |
|---|---|
| Ansprechpartner*in | Hughes, Charmayne Mary Lee |
| E-Mail-Adresse | hughes@tu-berlin.de |
| Webseite | https://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.
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
- 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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Machine Learning for Aging and Longevity | Übung | 51093 | Winter- und Sommersemester | [en] | 2 | WiSe 2026/27 (1) ISIS |
| Machine Learning for Aging and Longevity | Seminar | 51093 | 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 (2)
Machine Learning for Aging and Longevity (Übung) 1
- Applied Machine Learning with Python (Übung) Termingruppe 1 51093
Machine Learning for Aging and Longevity (Seminar) 1
- Applied Machine Learning with Python (Seminar) Termingruppe 1 51093
Arbeitsaufwand und Leistungspunkte
Machine Learning for Aging and Longevity (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning for Aging and Longevity (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 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.
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.
Die Programmierung erfolgt in Python.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Hausarbeit |
| Sprache | Englisch, Deutsch |
| Dauer/Umfang | n.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
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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | SoSe 2025 | 1. Kernbereich 1: Informatik und Mathematik |
| WiSe 2025/26 | 1. Kernbereich 1: Informatik und Mathematik | |
| Human Factors StuPO 2018 | SoSe 2025 | V. Wahlpflichtmodule zum Erwerb von Vertiefungswissen (18 LP) › V.2 Grundlagenorientierte Vertiefungen |
| WiSe 2025/26 | V. Wahlpflichtmodule zum Erwerb von Vertiefungswissen (18 LP) › V.2 Grundlagenorientierte Vertiefungen | |
| SoSe 2026 | V. Wahlpflichtmodule zum Erwerb von Vertiefungswissen (18 LP) › V.2 Grundlagenorientierte Vertiefungen | |
| Physikalische Ingenieurwissenschaft StuPO 2007 (19.12.2007) | WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| Physikalische Ingenieurwissenschaft StuPO 2020 | WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
Sonstiges
Keine Angabe