Moses - Machine Learning 2-X (9 LP)

Anzeigesprache

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

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

Modul / Version:
#40835 / #1

Gültigkeit:
SS 2017 - WS 2017/18

Standard-Anzeigesprache:
Deutsch

Titel des Moduls:
Machine Learning 2-X (9 LP) (Machine Learning 2-X)
Maschinelles Lernen 2-X (9 LP) (Maschinelles Lernen 2-X)

Leistungspunkte:
9

Modulverantwortliche*r:
Müller, Klaus-Robert

Benotung:
benotet

Prüfungsform:
Schriftliche Prüfung

Zugehörigkeit

Fakultät:
Fakultät IV

Institut:
Institut für Softwaretechnik und Theoretische Informatik

Fachgebiet:
34352000 FG Maschinelles Lernen

Prüfungsausschuss:
Keine Angabe

Kontakt

Sekretariat:
MAR 4-1

Ansprechpartner*in:
Montavon, Gregoire

E-Mail-Adresse:
klaus-robert.mueller@tu-berlin.de

Webseite:

https://wiki.ml.tu-berlin.de/wiki/

Lernergebnisse

Die Studierenden haben ein vertieftes Wissen über die Anwendung spezifischer Methoden des Maschinellen Lernens (Klassifikation, Regression, Dimensionsreduktion, Clustering) in ausgewählten Anwendungsbereichen (Bioinformatik, Computersicherheit, etc.) und können diese Methoden selbstständig anwenden und weiterentwickeln. Insbesondere sind die Studierenden mit den Aspekten des Maschinellen Lernens vertraut, welche für den praktischen Erfolg entscheidend sind. Darüber hinaus können die Studierenden in der Wahlpflichtveranstaltung je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen: * Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens. * Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums. * Seminar Maschinelles Lernen: im Seminar wird das selbstständige Einarbeiten und Präsentieren von wissenschaftlichen Ergebnissen geübt.

Lehrinhalte

In dieser Vorlesung werden weiterführende Themen des Maschinellen Lernens behandelt. Ein besonderer Schwerpunkt wird auf die Anwendung gelegt. Mehrere erfolgreiche Anwendungen des Maschinellen Lernens werden besprochen und auf die jeweiligen Besonderheiten wird eingegangen. Unter anderem werden folgende Themen behandelt: halbüberwachtes Lernen, Boostingverfahren, Optimierungstheorie, Kernmethoden für strukturierte Daten, graphische Modelle. Beispiele für erfolgreiche Anwendungen sind unter anderem Bioinformatik, Computersicherheit und Textmining. Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet oder Lernproblem (Seminar), Matlab für Maschinelles Lernen (Kurs), Python für Maschinelles Lernen (Kurs) oder Mathematische Grundlagen (Kurs). Die Seminare „Classical Topics in Machine Learning“ und „Hot Topics in Machine Learning“ finden jedes Winter- bzw Sommersemester statt. Darüber hinaus werden in unregelmäßigen Abständen spezielle Seminare angeboten; die Modulbeschreibung wird dementsprechend ergänzt.

Modulbestandteile

Pflichtgruppe:

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	VZ
Maschinelles Lernen II	VL	0434 L 503	SoSe	Keine Angabe	2
Maschinelles Lernen II	UE	0434 L 503	SoSe	Keine Angabe	2

Wahlpflicht:

Aus den folgenden Veranstaltungen muss/müssen 3 Leistungspunkte abgeschlossen werden.

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS
Big Data: Skalierbares Maschinelles Lernen	VL		SoSe	Keine Angabe	2
Big Data: Skalierbares Maschinelles Lernen	KU		WiSe	Keine Angabe	2
Classical Topics in ML	SEM	0434 L 588	WiSe	Keine Angabe	2
Hot Topics In ML	SEM	0434 L 560	SoSe	Keine Angabe	2
Learning on Structured Data	SEM		WiSe/SoSe	Keine Angabe	2
Machine Learning for Computer Vision	SEM		WiSe/SoSe	Keine Angabe	2
Mathematische Grundlagen für Maschinelles Lernen	KU	0434 L 545	WiSe/SoSe	Keine Angabe	2
Matlabprogrammierung für ML und Datenanlyse	KU	0434 L 544	WiSe/SoSe	Keine Angabe	2
Neuronale Netze (EMSP)	SEM	0430 L 451	WiSe	Keine Angabe	2
Pythonprogrammierung für ML und Datenanlyse	KU	0434 L 543	WiSe/SoSe	Keine Angabe	2
Representations in Machine Learning	SEM		WiSe/SoSe	Keine Angabe	2

Arbeitsaufwand und Leistungspunkte

Big Data: Skalierbares Maschinelles Lernen (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Big Data: Skalierbares 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)

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)

Learning on Structured Data (SEM):

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 for Computer Vision (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Maschinelles Lernen II (VL):

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)

Matlabprogrammierung 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)

Neuronale Netze (EMSP) (SEM):

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)

Representations in Machine Learning (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Maschinelles Lernen II (UE):

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 270.0 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Keine Angabe

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Keine Angabe

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

benotet

Prüfungsform

Schriftliche Prüfung

Sprache

Deutsch/Englisch

Dauer/Umfang

120 Minuten

Dauer des Moduls

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

Dieses Modul kann in folgenden Semestern begonnen werden:
Winter- und Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Keine Angabe

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: nicht verfügbar

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

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

Die doppelte Anerkennung einzelner Lehrveranstaltungen aus bereits belegten Modulen ist ausgeschlossen.