Anzeigesprache
Zur Modulseite PDF generieren

#40834 / #2

SS 2018 - SS 2019

Deutsch

Machine Learning 1-X (9 LP) (Machine Learning 1-X)
Maschinelles Lernen 1-X (9 LP) (Maschinelles Lernen 1-X)

9

Müller, Klaus-Robert

benotet

Schriftliche Prüfung

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352000 FG Maschinelles Lernen

Keine Angabe

Kontakt


MAR 4-1

Montavon, Gregoire

klaus-robert.mueller@tu-berlin.de

Lernergebnisse

Die Studierenden sind in der Lage, eigenständig die wesentlichen Verfahren des maschinellen Lernens auf neuen Daten anzuwenden. Dies umfasst Methoden zur Klassifikation, Regression, Dimensionsreduktion und Clustering. Darüber hinaus vermittelt das Modul das theoretische Rüstzeug (Wahrscheinlichkeitstheorie, Optimierungstheorie), um Verfahren weiterzuentwickeln und theoretisch zu analysieren. In der Wahlpflichtveranstaltung können die Teilnehmer:innen je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen: * Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens. * Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums. * Seminar Maschinelles Lernen: im Seminar wird das selbstständige Einarbeiten und Präsentieren von Wissenschaftlichen Ergebnissen geübt.

Lehrinhalte

Grundlagen der Wahrscheinlichkeitstheorie, Schätztheorie (Maximum-Likelihood, EM-Algorithmus). Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA), Clustering, überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Regression, Gaußprozesse, Neuronale Netze) Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar), Matlab für Maschinelles Lernen (Kurs), Python für Maschinelles Lernen (Kurs) oder Mathematische Grundlagen (Kurs). Die Seminare „Classical Topics in Machine Learning“ und „Hot Topics in Machine Learning“ finden jedes Winter- bzw Sommersemester statt. Darüber hinaus werden in unregelmäßigen Abständen spezielle Seminare angeboten; die Modulbeschreibung wird dementsprechend ergänzt.

Modulbestandteile

Pflichtgruppe:

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVZ
Maschinelles Lernen IIV0434 L 501WiSeKeine Angabe4

Wahlpflicht:

Aus den folgenden Veranstaltungen muss/müssen 3 Leistungspunkte abgeschlossen werden.

LehrveranstaltungenArtNummerTurnusSpracheSWSVZ
Algorithms for brain reading and writingSEMWiSeKeine Angabe2
Bayesian LearningVL343 L 8043WiSeKeine Angabe2
Big Data: Skalierbares Maschinelles LernenSEMWiSeKeine Angabe2
Big Data: Skalierbares Maschinelles LernenKUWiSeKeine Angabe2
Boosting and Model AveragingSEMWiSe/SoSeKeine Angabe2
Classical Topics in MLSEM0434 L 588WiSeKeine Angabe2
Deep Neural NetworksVLWiSe/SoSeKeine Angabe2
Machine Learning and Data Management SystemsSEMWiSe/SoSeKeine Angabe2
Machine Learning in the SciencesVLSoSeKeine Angabe2
Mathematische Grundlagen für Maschinelles LernenKU0434 L 545WiSe/SoSeKeine Angabe2
Matlabprogrammierung für ML und DatenanlyseKU0434 L 544WiSe/SoSeKeine Angabe2
Pythonprogrammierung für ML und DatenanlyseKU0434 L 543WiSe/SoSeKeine Angabe2
Scientific applications in Machine LearningSEMWiSe/SoSeKeine Angabe2

Arbeitsaufwand und Leistungspunkte

Maschinelles Lernen I (IV):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.04.0h60.0h
Vor-/Nachbereitung15.08.0h120.0h
180.0h(~6 LP)

Algorithms for brain reading and writing (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Bayesian Learning (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Big Data: Skalierbares Maschinelles Lernen (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Big Data: Skalierbares Maschinelles Lernen (KU):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Boosting and Model Averaging (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Classical Topics in ML (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Deep Neural Networks (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Machine Learning and Data Management Systems (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Machine Learning in the Sciences (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Mathematische Grundlagen für Maschinelles Lernen (KU):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Matlabprogrammierung für ML und Datenanlyse (KU):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Pythonprogrammierung für ML und Datenanlyse (KU):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Scientific applications in Machine Learning (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 270.0 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die IV besteht aus einem Vorlesungsteil (Frontalunterricht vor allen Teilnehmer:innen zur Vermittlung des Stoffes) und einem Anteil praktischer Arbeit. Letztere besteht aus dem selbstständigen Bearbeiten von Übungsaufgaben.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Lineare Algebra, Analysis, Wahrscheinlichkeitsrechnung. Dieses Modul ist auch für Bachelorstudierende geeignet.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

benotet

Prüfungsform

Schriftliche Prüfung

Sprache

Deutsch/Englisch

Dauer/Umfang

120 Minuten

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

Keine.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Die doppelte Anerkennung einzelner Lehrveranstaltungen aus bereits belegten Modulen ist ausgeschlossen.