Moses - Probabilistische und Bayesianische Methoden für ML und KI

Modul / Version
#40638 / #5

Gültigkeit
SS 2018 - SoSe 2021

Verfügbare Sprache(n)
English

Titel des Moduls
Probabilistic and Bayesian Modelling in ML and AI
Probabilistische und Bayesianische Methoden für ML und KI

Leistungspunkte
6

Modulverantwortliche*r
Opper, Manfred

Benotung
Benotet

Prüfungsform
Schriftliche Prüfung

Lehrsprache(n)
English

Zugehörigkeit

Fakultät
Fakultät IV

Institut
Institut für Softwaretechnik und Theoretische Informatik

Fachgebiet
34351600 FG Künstliche Intelligenz

Prüfungsausschuss
Keine Angabe

Kontakt

Sekretariat
MAR 4-2

Ansprechpartner*in
Lippke, Cordula

E-Mail-Adresse
lehre@ki.tu-berlin.de

Webseite

http://www.ki.tu-berlin.de/menue/lehre

Diese Modulbeschreibung ist nicht oder nicht vollständig auf deutsch hinterlegt.

Es wird stattdessen der Inhalt der folgenden Sprachversion angezeigt: Englisch.

Klicken Sie hier um die Inhalte der fehlenden oder unvollständige Sprachversion (Deutsch) anzuzeigen

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum SS 2018 - SoSe 2021.

Lernergebnisse

Students understand basic concepts of statistical modelling in ai and ml, know the most important models and applications and have the competence to understand current literature. Students are able to estimate the efficiency of the methods and use them on problems in application domains or find new models

Lehrinhalte

- repetition of probability theory, maximum likelihood, latent variable models, EM algorithm, ICA and probabilistic PCA. - Bayes methods, model selection, generalised linear models, Gauss processes, Dirichlet processes. - inference techniques: Laplace approximation, Monte Carlo methods, variational methods

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Probabilistic and Bayesian Modelling in ML and AI	VL	0434 L 712	SoSe	Keine Angabe	4

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Probabilistic and Bayesian Modelling in ML and AI (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	4.0h	60.0h
Vor-/Nachbereitungszeit	15.0	8.0h	120.0h
			180.0h(~6 LP)

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

Beschreibung der Lehr- und Lernformen

Integrierte Lehrveranstaltung bestehend aus Vorlesungs- und Übungsanteil. Vorlesung: Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes kombiniert mit etwa 5 Übungen. Hier werden Übungsaufgaben besprochen, die von den Teilnehmern als Hausaufgaben bearbeitet werden. Die Übungsaufgaben umfassen sowohl die Analyse und Entwicklung von probabilistichen Modellen als auch den praktischen Umgang mit den besprochenen Verfahren. Unterrichtssprache in dem Modul ist englisch.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Vorausgesetzt werden Grundkenntnisse in Mathematik (Lineare Algebra, Analysis, Stochastik) sowie Programmierkenntnisse.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Written exam

Sprache(n)

English

Dauer/Umfang

90 minutes

Prüfungsbeschreibung (Abschluss des Moduls)

Mündliche Prüfung. (Voraussetzung für die mündliche Prüfung 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:
Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Die Anmeldung zur Lehrveranstaltung erfolgt über die ISIS-Seite. Dies ersetzt nicht die Prüfungsanmeldung beim Prüfungsamt, bzw. in QISPOS.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: verfügbar

Zusätzliche Informationen:

Literatur

Empfohlene Literatur
Information Theory, Inference, and Learning Algorithms, David J C MacKay, Cambridge University Press.
Pattern Recognition and Machine Learning, Christopher M. Bishop,Springer, 2006

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.

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe