Moses - Kognitive Algorithmen

Zur Modulseite PDF generieren

Modul / Version
#40525 / #3

Gültigkeit
SS 2017 - SS 2019

Verfügbare Sprache(n)
Deutsch

Titel des Moduls
Kognitive Algorithmen

Leistungspunkte
6

Modulverantwortliche*r
Müller, Klaus-Robert

Benotung
Benotet

Prüfungsform
Schriftliche Prüfung

Lehrsprache(n)
Deutsch, Englisch

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
Neuhäuser, Tom

E-Mail-Adresse
cognitivealgorithms@ml.tu-berlin.de

Webseite

https://web.ml.tu-berlin.de/teaching/courses

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum SS 2017 - SS 2019. Die Version für das aktuelle Semester (WiSe 2024/25) finden Sie hier: Modulbeschreibung des WiSe 2024/25

Lernergebnisse

Ziel der Veranstaltung ist ein intuitives Verständnis elementarer Konzepte des Maschinellen Lernens, deren Entstehung und ihrer Anwendung in aktuellen Problemstellungen. Am Ende der Veranstaltung sind die Teilnehmer:innen vertraut mit grundlegenden kognitiven Fähigkeiten von Computerprogrammen wie etwa Bewegungserkennung, Klassifikation und Kategorisierung und typischen Anwendungsfeldern dieser Algorithmen wie z.B der automatisierten Schrifterkennung, intelligentem Filtern von E-Mail Spam oder Extraktion von semantischer Information aus Textdaten. Das Modul gliedert sich in zwei Teile: • Integrierte Veranstaltung Kognitive Algorithmen: In der Vorlesung werden die Mechanismen elementarer Lernalgorithmen anschaulich erklärt und ihre Entstehung eingebettet in die Entwicklung unseres heutigen Verständnisses kognitiver Fähigkeiten von Maschinen. Im praktischen Teil werden Programmieraufgaben selbstständig bearbeitet. • Wahlpflichtveranstaltung: Im Wahlpflichtbereich können die Teilnehmer:innen je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen: - Mathematische Grundlagen für Maschinelles Lernen: Dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Methoden für die Veranstaltung - Python Programmierung für Maschinelles Lernen: dieses Kurs vermittelt das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens in Python. - Seminar Anwendungen kognitiver Algorithmen: im Seminar wird das selbständige Einarbeiten und Präsentieren von wissenschaftlichen Ergebnissen geübt.

Lehrinhalte

Elementare Methoden des Maschinellen Lernens, unter anderem überwachte Lernmethoden (lineare Klassifikation & Regression, Kernmethoden), Gradientenabstieg, Modellselektion (Kreuzvalidierung), Dimensionsreduktion (PCA) Je nach Wahlpflichtveranstaltung: Vertiefung in ein spezielles Anwendungsgebiet (Seminar) oder Mathematische Grundlagen (Kurs) oder Python Grundlagen (Kurs).

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Kognitive Algorithmen	IV	0434 L 502	WiSe/SoSe	Keine Angabe	2

Wahlpflichtbereich

Aus den folgenden Veranstaltungen muss eine Veranstaltung abgeschlossen werden.

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS
Anwendungen Kognitiver Algorithmen	SEM	04340L 562	WiSe/SoSe	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
Mathematische Grundlagen für Maschinelles Lernen	KU	0434 L 545	WiSe/SoSe	Keine Angabe	2
Neuronale Netze (EMSP)	SEM	0430 L 451	WiSe	Keine Angabe	2
Pythonprogrammierung für ML und Datenanlyse	KU	0434 L543	WiSe/SoSe	Keine Angabe	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Anwendungen Kognitiver Algorithmen (SEM):

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)

Kognitive Algorithmen (IV):

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)

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)

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

Beschreibung der Lehr- und Lernformen

Das Modul besteht aus einer Integrierten Lehrveranstaltung und einem Wahlpflichtteil (Python oder Mathe Kurs oder Seminar). Der Kurs besteht aus einer mehrtägigen Blockveranstaltung mit Frontalunterricht und betreuten Übungen. Die Seminarvorträge werden unter Anleitung von Betreuer:innen erarbeitet und in einem Blockseminar präsentiert und diskutiert.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Linearer Algebra und Analysis. Der Kurs „Mathematische Grundlagen des Maschinellen Lernens" bietet eine kompakte Einführung bzw. Auffrischung dieser Themen. Da die wissenschaftliche Literatur in englischer Sprache verfasst ist, sind gute Englischkenntnisse erforderlich.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Schriftliche Prüfung

Sprache(n)

Deutsch, Englisch

Dauer/Umfang

90min

Prüfungsbeschreibung (Abschluss des Moduls)

Die Modulprüfung ist eine Klausur. Die Note des Moduls ist die Klausurnote. Voraussetzungen (nicht notenrelevant) für die Teilnahme an der Klausur sind: a. bestandene schriftliche Prüfung im Kurs „Mathematische Grundlagen..." b. erfolgreiche Präsentation im Abschlussprojekt

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

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.
Fahrmeir, R. Künstler, I. Pigeot, G. Tutz (2004) Statistik , Springer, 5. Auflage
G. Bamberg, F. Baur (2006) Statistik , Oldenbourg-Verlag, 12. Auflage
K. B. Petersen, M. S. Pedersen (2007) The Matrix Cookbook . Technical University of Denmark
L. Wasserman (2004) All of Statistics , Springer
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

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.

Sonstiges

Keine Angabe