Kognitive Algorithmen

Navigation Zur Modulseite
PDF PDF generieren
XML XML generieren
Anzeigesprache

Kognitive Algorithmen

6

Deutsch

#40525 / #4

WS 2019/20 - WS 2020/21

Fakultät IV

MAR 4-1

Institut für Softwaretechnik und Theoretische Informatik

34352000 FG Maschinelles Lernen

Müller, Klaus-Robert

Keine Angabe

klaus-robert.mueller@tu-berlin.de

http://www.ml.tu-berlin.de/menue/machine_learning/parameter/de/

POS-Nummer PORD-Nummer Modultitel
27491 Fehler in der Verknüpfung: Nicht gefunden

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

Pflichtteil:

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen Art Nummer Turnus Sprache SWS
Kognitive Algorithmen IV 0434 L 502 WS/SS Keine Angabe 2

WP:

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

Lehrveranstaltungen Art Nummer Turnus Sprache SWS
Anwendungen Kognitiver Algorithmen SEM 04340L 562 WS/SS Keine Angabe 2
Classical Topics in ML SEM 0434 L 588 WS Keine Angabe 2
Hot Topics In ML SEM 0434 L 560 SS Keine Angabe 2
Machine Learning and Data Management Systems SEM WS/SS Keine Angabe 2
Mathematische Grundlagen für Maschinelles Lernen KU 0434 L 545 WS/SS Keine Angabe 2
Pythonprogrammierung für ML und Datenanlyse KU 0434 L543 WS/SS 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 Datenanlyse (KU):

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

Dieses Modul kann in 2 Semestern abgeschlossen werden.

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
G. Bamberg, F. Baur (2006) Statistik , Oldenbourg-Verlag, 12. Auflage
L. Wasserman (2004) All of Statistics , Springer
Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern Classification , Wiley (2. Auflage)
Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.
Fahrmeir, R. Künstler, I. Pigeot, G. Tutz (2004) Statistik , Springer, 5. 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
Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001) The Elements of Statistical Learning , Springer.

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Verwendungen (3)
Studiengänge: 2 Stupos: 2 Erstes Semester: WS 2019/20 Letztes Semester: WS 2020/21

Diese Modulversion wird auf folgenden Modullisten verwendet (alte Studiengangsabbildung):

Sonstiges

Keine Angabe