Moses - Probabilistisches und Bayesianisches Modelling im Machinellen Lernen und Künstlicher Intelligenz

Modul / Version
#40516 / #4

Gültigkeit
SS 2017 - WS 2017/18

Verfügbare Sprache(n)
English

Titel des Moduls
Probabilistic and Bayesian Modelling in Machine Learning and Artificial Intelligence - Seminar
Probabilistisches und Bayesianisches Modelling im Machinellen Lernen und Künstlicher Intelligenz - Seminar

Leistungspunkte
3

Modulverantwortliche*r
Opper, Manfred

Benotung
Benotet

Prüfungsform
Portfolioprüfung

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
Ruttor, Andreas

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 2017 - WS 2017/18.

Lernergebnisse

Students have a profound knowledge of probabilistic models through independent work on a current field of research with the help of literature and independent elaboration of an example application. They are competent in presentating and explaining research topics in a talk.

Lehrinhalte

The seminar deals with current topics in the field of statistical modelling and inference. Example: application of Monte–Carlo-Methods on an inference problem.

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Introduction to Computational Genomics	SEM	0434 L 714	SoSe	Keine Angabe	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Introduction to Computational Genomics (SEM):

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 90.0 Stunden. Damit umfasst das Modul 3 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Seminar beinhaltet das Einarbeiten in aktuelle Literatur und die Entwicklung eines Vortrages.

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

Portfolio examination

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

English

Prüfungselemente

Name	Punkte	Kategorie	Dauer/Umfang
(Ergebnisprüfung) Beispielanwendung	40	praktisch	20 Minuten
(Ergebnisprüfung) Präsentation	60	mündlich	45 Minuten

Notenschlüssel

Notenschlüssel »Notenschlüssel 2: Fak IV (2)«

Gesamtpunktzahl	1.0	1.3	1.7	2.0	2.3	2.7	3.0	3.3	3.7	4.0
100.0pt	95.0pt	90.0pt	85.0pt	80.0pt	75.0pt	70.0pt	65.0pt	60.0pt	55.0pt	50.0pt

Prüfungsbeschreibung (Abschluss des Moduls)

Die Gesamtnote gemäß § 47 (2) AllgStuPO wird nach dem Notenschlüssel 2 der Fakultät IV ermittelt.

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

Die maximale Teilnehmerzahl beträgt 12.

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: nicht verfügbar

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.

Service-Veranstaltung für andere Studiengänge (vor allem aus dem natur- und ingenieurwissenschaftlichen Bereich und der Mathematik und Statistik)

Sonstiges

Keine Angabe