Moses - Kognitive Algorithmen

Anzeigesprache

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum SoSe 2021 - WiSe 2023/24. Die Version für das aktuelle Semester (SoSe 2024) finden Sie hier: Modulbeschreibung des SoSe 2024

Modul / Version:
#40525 / #5

Gültigkeit:
SoSe 2021 - WiSe 2023/24

Standard-Anzeigesprache:
Deutsch

Titel des Moduls:
Kognitive Algorithmen

Leistungspunkte:
6

Modulverantwortliche*r:
Müller, Klaus-Robert

Benotung:
benotet

Prüfungsform:
Schriftliche Prüfung

Zugehörigkeit

Fakultät:
Fakultät IV

Institut:
Institut für Softwaretechnik und Theoretische Informatik

Fachgebiet:
34352000 FG Maschinelles Lernen

Prüfungsausschuss:
Keine Angabe

Kontakt

Sekretariat:
MAR 4-1

Ansprechpartner*in:
Niediek, Johannes

E-Mail-Adresse:
cognitivealgorithms@ml.tu-berlin.de

Webseite:

https://web.ml.tu-berlin.de/teaching/courses

Lernergebnisse

Ziel der Veranstaltung ist ein intuitives Verständnis elementarer Konzepte des Maschinellen Lernens, deren Entstehung und ihrer Anwendung in aktuellen Problemstellungen. Am Ende der Veranstaltung sind die Teilnehmer:innen vertraut mit grundlegenden kognitiven Fähigkeiten von Computerprogrammen wie etwa Bewegungserkennung, Klassifikation und Kategorisierung und typischen Anwendungsfeldern dieser Algorithmen wie z.B der automatisierten Schrifterkennung, intelligentem Filtern von E-Mail Spam oder Extraktion von semantischer Information aus Textdaten. Je nach Wahlpflichtkurs können die Studierenden zudem entweder ihre mathematisch Kenntnisse, ihre Python Erfahrung oder ein individuell gewähltes Anwendungsgebiet aus dem Maschinellen Lernen vertiefen.

Lehrinhalte

Elementare Methoden des Maschinellen Lernens, unter anderem überwachte Lernmethoden (lineare Klassifikation & Regression, Kernmethoden), Gradientenabstieg, Modellselektion (Kreuzvalidierung), Dimensionsreduktion (PCA), Neuronale Netze - Mathematische Grundlagen für Maschinelles Lernen: Dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Methoden für die Veranstaltung - Python Programmierung für Maschinelles Lernen: dieses Kurs vermittelt das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens in Python. - Seminar Anwendungen Kognitiver Algorithmen/Hot Topics in ML/Classical Topics in ML/ML and Data Management Systems: im Seminar wird das selbstständige Einarbeiten und Präsentieren von wissenschaftlichen Ergebnissen geübt.

Modulbestandteile

WP:

Aus den folgenden Veranstaltungen muss/müssen 1 Veranstaltung(en) abgeschlossen werden.

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS
Anwendungen Kognitiver Algorithmen	SEM	04340L 562	WiSe/SoSe	Keine Angabe	2
Classical Topics in ML	SEM	0434 L 588	WiSe	Keine Angabe	2
Hot Topics In ML	SEM	0434 L 560	SoSe	Keine Angabe	2
Machine Learning and Data Management Systems	SEM		WiSe/SoSe	Keine Angabe	2
Mathematische Grundlagen für Maschinelles Lernen	KU	0434 L 545	WiSe/SoSe	Keine Angabe	2
Pythonprogrammierung für ML und Datenanalyse	KU	0434 L 543	WiSe/SoSe	Englisch	2
Workshop Advanced Machine Learning	VL		SoSe	Keine Angabe	2

Pflichtteil:

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	VZ
Kognitive Algorithmen	IV	0434 L 502	WiSe/SoSe	Keine Angabe	2

Arbeitsaufwand und Leistungspunkte

Anwendungen Kognitiver Algorithmen (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Classical Topics in ML (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Hot Topics In ML (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Kognitive Algorithmen (IV):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Machine Learning and Data Management Systems (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Mathematische Grundlagen für Maschinelles Lernen (KU):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Pythonprogrammierung für ML und Datenanalyse (KU):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Workshop Advanced Machine Learning (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul gliedert sich in zwei Teile: • Integrierte Veranstaltung Kognitive Algorithmen: In der Vorlesung werden die Mechanismen elementarer Lernalgorithmen anschaulich erklärt und ihre Entstehung eingebettet in die Entwicklung unseres heutigen Verständnisses kognitiver Fähigkeiten von Maschinen. Im praktischen Teil werden Programmieraufgaben selbstständig bearbeitet. Die Vorlesung findet alle 2 Wochen statt. In den Wochen dazwischen finden begleitende Tutorien statt in denen der Vorlesungsstoff wiederholt und durch Übungsaufgaben gefestigt wird. • Wahlpflichtveranstaltung: Im Wahlpflichtbereich können die Teilnehmer:innen je nach Vorkenntnissen und Interessen verschiedene Schwerpunkte wählen. Der Wahpflichtteil besteht aus einer mehrtägigen Blockveranstaltung mit Frontalunterricht und betreuten Übungen. Die Seminarvorträge werden unter Anleitung von Betreuer:innen erarbeitet und in einem Blockseminar präsentiert und diskutiert.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Linearer Algebra und Analysis. Der Kurs „Mathematische Grundlagen des Maschinellen Lernens" bietet eine kompakte Einführung bzw. Auffrischung dieser Themen. Da die wissenschaftliche Literatur in englischer Sprache verfasst ist, sind gute Englischkenntnisse erforderlich.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

1. Voraussetzung

Kognitive Algorithmen: Übungsschein Wahlpflichtveranstaltung bestanden

Abschluss des Moduls

Benotung

benotet

Prüfungsform

Schriftliche Prüfung

Sprache

Deutsch/Englisch

Dauer/Umfang

90min

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
2 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

Keine

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: nicht verfügbar

Literatur

Empfohlene Literatur
Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.
Fahrmeir, R. Künstler, I. Pigeot, G. Tutz (2004) Statistik , Springer, 5. Auflage
G. Bamberg, F. Baur (2006) Statistik , Oldenbourg-Verlag, 12. Auflage
Goodfellow, Ian, Yoshua Bengio, Aaron Courville (2016) Deep learning. MIT press.
K. B. Petersen, M. S. Pedersen (2007) The Matrix Cookbook . Technical University of Denmark
L. Wasserman (2004) All of Statistics , Springer
Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern Classification , Wiley (2. Auflage)
Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001) The Elements of Statistical Learning , Springer.

Zugeordnete Studiengänge

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

Diese Modulversion wird in folgenden Studiengängen verwendet:

	Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe