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

Projekt Maschinelles Lernen

Zur Modulseite PDF generieren

#40653 / #3

SS 2017 - SS 2019

English

Machine Learning Project
Projekt Maschinelles Lernen

9

Müller, Klaus-Robert

Benotet

Portfolioprüfung

English

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352000 FG Maschinelles Lernen

Keine Angabe

Kontakt


MAR 4-1

Keine Angabe

Keine Angabe

http://ml.tu-berlin.de

Lernergebnisse

The students have knowledge about and practical experience in independent application of machine learning methods to a real world dataset in a specific application scenario. This particularly includes pre-processing of real world data, calibration of prediction methods, and the comparison of different approaches. The students are also able to apply machine learning methods to other real world datasets, as well as estimating the extent, complexity, and chance of success of such a project from a practical point of view.

Lehrinhalte

The project's goal is the development of a prediction process (regression/classification) for a real world application, based on a open-source machine learning toolbox. A real world dataset in raw format is given. The project is subdivided into three milestones that are based on another. 1. Extraction of feature vectors from raw data; univariate and multivariate evaluation of these features. 2. Evaluation and comparison of different prediction methods; development of appropriate assessment approaches and quality criterions. 3. Justified selection and final assessment of a specific prediction method. Compared to the Lab Course this module does not focus on implementation of machine learning methods, but the data pre-processing as well as application, evaluation, and selection of methods from existing toolboxes.

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Projekt Maschinelles LernenPJ0434 L552WiSeKeine Angabe6
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Projekt Maschinelles Lernen (PJ):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.06.0h90.0h
Vor-/Nachbereitung15.012.0h180.0h
270.0h(~9 LP)
Der Aufwand des Moduls summiert sich zu 270.0 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die Studierenden bearbeiten das Projekt selbstständig. Zu Beginn des Semesters und nach jedem Meilenstein findet ein Treffen statt, bei dem die Studierenden ihre Ergebnisse vorstellen und diskutieren (Seminar) und die Zielsetzung des nächsten Meilensteins vorgestellt wird (Vorlesung). Zusätzlich findet eine regelmäßige gemeinsame Sprechstunde statt.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Es gibt keine formalen Voraussetzungen. Die vorherige Teilnahme an den Modulen „Maschinelles Lernen I“ und „Praktikum Maschinelles Lernen“ ist wünschenswert. Sämtlicher Programmcode wird in Python geschrieben.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Portfolio examination

Art der Portfolioprüfung

Keine Angabe

Sprache(n)

English

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
Programmcode/Dokumentation 1. Meilenstein33schriftlich1/3
Programmcode/Dokumentation 2. Meilenstein33schriftlich1/3
Programmcode/Dokumentation 3. Meilenstein 34schriftlich1/3

Notenschlüssel

Dieses Prüfung verwendet einen eigenen Notenschlüssel (siehe Prüfungsformbeschreibung).

Prüfungsbeschreibung (Abschluss des Moduls)

Nach jedem Meilenstein geben die Teilnehmer Programmcode sowie eine Dokumentation Ihrer Lösung ab. Sowohl für den Programmcode, als auch für die Dokumentation der Lösung gibt es strikte Vorgaben welche auf der Website bekanntgegeben werden. Es gibt drei Meilsteine und die Bewertung jedes Meilsteins geht zu 1/3 in die Note ein. Die Lösungen werden den jeweils anderen Teilnehmern zur Verfügung gestellt, damit diese ggf. in den folgenden Meilensteinen darauf aufbauen können.

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 10.

Anmeldeformalitäten

Die Anmeldung erfolgt per Email. Die Anmeldungen werden in der Reihenfolge des Eintreffens berücksichtigt; Details und Fristen siehe Fachgebietswebseite

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Christopher M. Bishop (2006) Pattern Recognition And Machine Learning , Springer.
Homepage der Machine Learning Toolbox scikit-learn: http://scikit-learn.org/
Homepage der Machine Learning Toolbox shogun: http://www.shogun-toolbox.org/
Richard O. Duda, Peter E. Hart, David G. Stork (2001) Pattern Classification , Wiley (2. Auflage).
Trevor Hastie, Robert Tibshirani, Jerome Friedman (2001) The Elements of Statistical Learning, Springer.

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

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

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe