Moses - Maschinelles Lernen 1

Anzeigesprache

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum WS 2014/15 - WS 2014/15. Die Version für das aktuelle Semester (SoSe 2024) finden Sie hier: Modulbeschreibung des SoSe 2024

Modul / Version:
#40550 / #2

Gültigkeit:
WS 2014/15 - WS 2014/15

Standard-Anzeigesprache:
Deutsch/Englisch

Titel des Moduls:
Maschinelles Lernen 1

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 sind in der Lage, eigenständig die wesentlichen Verfahren des maschinellen Lernens auf neuen Daten anzuwenden. Dies umfasst Methoden zur Klassifikation, Regression, Dimensionsreduktion und Clustering. Darüberhinaus vermittelt das Modul das theoretische Rüstzeug (Wahrscheinlichkeitstheorie, Optimierungstheorie), um Verfahren weiterzuentwickeln und theoretisch zu analysieren. In der Wahlpflichtveranstaltung kann der Teilnehmer 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 selbststandige Einarbeiten und Prasentieren von Wissenschaftlichen Ergebnissen geübt.

Lehrinhalte

Grundlagen der Wahrscheinlichkeitstheorie, Schätztheorie (Maximum-Likelihood, EM-Algorithmus). Grundlegende Methoden des maschinellen Lernens: Dimensionsreduktion (PCA, ICA), Clustering, überwachtes Lernen (Least-Squares Regression, LDA, SVM, Ridge Re-gression, Gaußprozesse) 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). Das Seminar „Classical Topics in Machine Learning“ findet jedes Semester statt, darüber hinaus werden in unregelmäßigen Abständen spezielle Seminare angeboten; die Modulbeschreibung wird dementsprechend ergänzt.

Modulbestandteile

Pflichtteil:

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	VZ
Maschinelles Lernen I	IV	0434 L 501	WiSe	Keine Angabe	4

Wahlpflicht:

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

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS
Big Data: Skalierbares Maschinelles Lernen	SEM		WiSe	Keine Angabe	2
Big Data: Skalierbares Maschinelles Lernen	KU		WiSe	Keine Angabe	2
Boosting and Model Averaging	SEM		WiSe/SoSe	Keine Angabe	2
Classical Topics in ML	SEM	0434 L588	WiSe	Keine Angabe	2
Dimensionsreduktion	SEM		WiSe/SoSe	Keine Angabe	2
Doktoranden- und Diplomandenseminar	SEM		WiSe/SoSe	Keine Angabe	2
Feature Selection	SEM		WiSe/SoSe	Keine Angabe	2
Halbüberwachtes Lernen	SEM		WiSe/SoSe	Keine Angabe	2
Kernels for Structured Data	SEM		WiSe/SoSe	Keine Angabe	2
Learning on Structured Data	SEM		WiSe/SoSe	Keine Angabe	2
Lernen unter Nichtstationaritäten	SEM		WiSe/SoSe	Keine Angabe	2
Machine Learning for Computer Vision	SEM		WiSe/SoSe	Keine Angabe	2
Machine Learning for Intelligent Robots	SEM		WiSe/SoSe	Keine Angabe	2
Maschinelles Lernen in der IT-Sicherheit	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
Moderne Verfahren des Maschinellen Lernens: Kausalanalyse	SEM		WiSe/SoSe	Keine Angabe	2
Neuronale Netze	SEM	0430 L 451	SoSe	Keine Angabe	2
Pythonprogrammierung für ML und Datenanlyse	KU	0434 L543	WiSe/SoSe	Keine Angabe	2
Regression and Optimization Methods in Robotics	SEM		WiSe/SoSe	Keine Angabe	2
Representations in Machine Learning	SEM		WiSe/SoSe	Keine Angabe	2
Singular Learning Theory	SEM		WiSe/SoSe	Keine Angabe	2

Arbeitsaufwand und Leistungspunkte

Big Data: Skalierbares Maschinelles Lernen (SEM):

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)

Boosting and Model Averaging (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)

Dimensionsreduktion (SEM):

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

Doktoranden- und Diplomandenseminar (SEM):

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

Feature Selection (SEM):

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

Halbüberwachtes Lernen (SEM):

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

Kernels for 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)

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)

Lernen unter Nichtstationaritäten (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)

Machine Learning for Intelligent Robots (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 I (IV):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	4.0h	60.0h
Vor-/Nachbereitung	15.0	8.0h	120.0h
			180.0h(~6 LP)

Maschinelles Lernen in der IT-Sicherheit (SEM):

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)

Moderne Verfahren des Maschinellen Lernens: Kausalanalyse (SEM):

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 (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)

Regression and Optimization Methods in Robotics (SEM):

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)

Singular Learning Theory (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 270.0 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die IV besteht aus einem Vorlesungsteil (Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes) und einem Anteil praktischer Arbeit. Letztere besteht aus dem selbstständigen Bearbeiten von Übungsaufgaben. Der Kurs besteht aus einer mehrtägigen Blockveranstaltung, in der gemeinsam unter Anleitung Übungsaufgaben bearbeitet werden. Die Seminarvorträge werden unter Anleitung eines Betreuers 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 Lineare Algebra, Analysis, Wahr-scheinlichkeitsrechnung. Der Kurs „Mathematische Grundlagen des Maschinellen Lernens“ bietet eine kompakte Einführung bzw. Auffrischung dieser Themen. Dieses Modul ist auch für Bachelorstudenten geeignet.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

benotet

Prüfungsform

Sprache

Deutsch/Englisch

Dauer/Umfang

Keine Angabe

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
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.

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

Sonstiges

Keine Angabe