1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Machine Intelligence I

Zur Modulseite PDF generieren

#40548 / #4

SS 2017 - WS 2017/18

English

Machine Intelligence I

6

Obermayer, Klaus

Benotet

Schriftliche Prüfung

English

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34351300 FG Neuronale Informationsverarbeitung

Keine Angabe

Kontakt


MAR 5-6

Obermayer, Klaus

oby@ni.tu-berlin.de

https://www.tu.berlin/ni/studium-lehre/

Lernergebnisse

Participants should learn basic concepts, their theoretical foundation, and the most common algorithms used in machine learning and artificial intelligence. After completing the module, participants should understand strengths and limitations of the different paradigms, should be able to correctly and successfully apply methods and algorithms to real world problems, should be aware of performance criteria, and should be able to critically evaluate results obtained with those methods. More specifically, participants should be able to demonstrate 1) Knowledge of theory and methods of inductive learning 2) Application to problems of regression and classifcation (pattern recognition) 3) Understanding regarding basic concepts of neural information processing 4) Understanding regarding theoretical foundations to develop new machine learning techiques

Lehrinhalte

1) Foundations of inductive learning: empirical risk minimization, structural risk minimization, Bayesian inference 2) Learning and generalisation: gradient-based optimization, overfitting-underfitting, regularisation, application to regression and classification problems 3) Artificial neural networks (connectionist neurons, multilayer perceptrons, radial basis functions, deep networks) 4) Statistical learning theory and support vector machines 5) Probabilistic methods and graphical models: reasoning under uncertainty, Bayesian learning for neural networks 6) Reinforcement Learning (MDP, value iteration, policy iteration, Q-learning)

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Machine Intelligence IVL0434 L 866WiSeKeine Angabe2
Machine Intelligence IUE0434 L 866WiSeKeine Angabe2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Machine Intelligence I (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit / time of attendance15.02.0h30.0h
Vor- und Nachbereitung / preparation and review15.02.0h30.0h
60.0h(~2 LP)

Machine Intelligence I (UE):

AufwandbeschreibungMultiplikatorStundenGesamt
Hausaufgaben / homework15.06.0h90.0h
Päsenzzeit / time of attendance15.02.0h30.0h
120.0h(~4 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Vorlesung: Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes Übungen: Besprechung von Übungsaufgaben, die von den Teilnehmern als Hausaufgaben bearbeitet werden. Die Übungsaufgaben umfassen sowohl die Analyse und Entwicklung von neuronalen Verfahren als auch den praktischen Umgang mit den besprochenen Verfahren. The lecture part consists of teaching in front of the class. Participants are expected to rehearse topics after class, using their class notes as well as recommended book chapters, in preparation for the exercises and tutorials. Homework assignments are given on a regular basis, and must be usually solved within a week. These ssignments cover mathematical exercises as well as numerical simulations and programming exercises. orking in small groups of two to three students is encouraged. Homework assignments and their solutions are resented and discussed during the tutorial. In addition, selected topics presented during the lecture are ehearsed by the tutor as needed. The first tutorials cover a brief mathematics primer.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Gute Programmierkenntnisse, Grundkenntnisse in Linearer Algebra, Analysis und Wahrscheinlichkeitstheorie Mathematical knowledge: Analysis, linear algebra, probability calculus and statistics, on a level comparable to mathematics courses for engineers. Basic programming skills (Python, Matlab, or R). Good command of the English language.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Written exam

Sprache(n)

English

Dauer/Umfang

90 min.

Prüfungsbeschreibung (Abschluss des Moduls)

mündliche Prüfung (Voraussetzung ist das Vorliegen des Übungsscheins) unbenoteter Übungsschein (mindestens 60% der Aufgaben erfolgreich bearbeitet)

Dauer des Moduls

Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt:
1 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Wintersemester.

Maximale teilnehmende Personen

Die maximale Teilnehmerzahl beträgt 80.

Anmeldeformalitäten

Die Anmeldung zur schriftliche Prüfung erfolgt über Moses. Prüfungssprache ist Englisch. Beide Wiederholungsprüfungen werden als mündliche Prüfungen abgelegt. Informationen zur Anmeldung sind über die Web-Seiten des Fachgebiets NI http://www.ni.tu-berlin.de/teaching/ und über das Sekretariat MAR 5042 erhältlich. The final grade is determined by the grade obtained in the written exam, which is held in English. Both potential re-examinations are oral exams. Other than that, the examination procedure is regulated by the General Examination Regulation of the Technical University (Ordnung zur Regelung des allgemeinen Prüfungsverfahrens in Bachelor- und Masterstudiengängen) and by the Examination Regulation of the Master Program Computational Neuroscience. Further information regarding registration and course material are available via the webpages http://www.ni.tu-berlin.de/teaching/ and at the office MAR 5042.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  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

Keine Angabe