Moses - Probabilistic and Bayesian Modelling in ML and AI

Display language

To modulepage Generate PDF

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum SS 2017 - WS 2017/18.

Module / Version:
#40638 / #4

Validity:
SS 2017 - WS 2017/18

Default display language:
English

Module title:
Probabilistic and Bayesian Modelling in ML and AI

Credits:
6

Responsible person:
Opper, Manfred

Grading:
benotet

Type of exam:
Schriftliche Prüfung

Zugehörigkeit

Faculty:
Fakultät IV

Institute:
Institut für Softwaretechnik und Theoretische Informatik

Area of expertise:
34351600 FG Künstliche Intelligenz

Prüfungsausschuss:
No information

Kontakt

Office:
MAR 4-2

Contact person:
Lippke, Cordula

E-mail address:
lehre@ki.tu-berlin.de

Website:

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

Learning Outcomes

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

Content

- 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

Module Components

Pflichtteil:

All Courses are mandatory.

Course Name	Type	Number	Cycle	Language	SWS	VZ
Probabilistic and Bayesian Modelling in ML and AI	VL	0434 L 712	SoSe	No information	4

Workload and Credit Points

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

Workload description	Multiplier	Hours	Total
Präsenzzeit	15.0	4.0h	60.0h
Vor-/Nachbereitungszeit	15.0	8.0h	120.0h
			180.0h(~6 LP)

The Workload of the module sums up to 180.0 Hours. Therefore the module contains 6 Credits.

Description of Teaching and Learning Methods

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.

Requirements for participation and examination

Desirable prerequisites for participation in the courses:

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

Mandatory requirements for the module test application:

This module has no requirements.

Module completion

Grading

graded

Type of exam

Written exam

Language

English

Duration/Extent

No information

Duration of the Module

The following number of semesters is estimated for taking and completing the module:
1 Semester.

This module may be commenced in the following semesters:
Sommersemester.

Maximum Number of Participants

This module is not limited to a number of students.

Registration Procedures

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

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

Assigned Degree Programs

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

This module is used in the following Degree Programs (new System):

	Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
This module is not used in any degree program.

Students of other degrees can participate in this module without capacity testing.

Miscellaneous

Es erfolgte eine durch den Prüfungsausschuss genehmigte Änderung der Prüfungsform von mündlich auf schriftlich (SoSe 2017).

Probabilistic and Bayesian Modelling in ML and AI