Moses - Projekt Maschinelles Lernen

Zur Modulseite PDF generieren

Modul / Version
#40653 / #5

Gültigkeit
WS 2019/20 - WiSe 2025/26

Verfügbare Sprache(n)
Englisch

Titel des Moduls
Machine Learning Project
Projekt Maschinelles Lernen

Leistungspunkte
9

Modulverantwortliche*r
Müller, Klaus-Robert

Benotung
Benotet

Prüfungsform
Portfolioprüfung

Lehrsprache(n)
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
Keine Angabe

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

Webseite

http://ml.tu-berlin.de

Diese Modulbeschreibung ist nicht oder nicht vollständig auf deutsch hinterlegt.

Es wird auf Wunsch trotzdem der Inhalt der unvollständigen Spracheversion angezeigt.

Lernergebnisse

Die Studierenden besitzen Kenntnisse und praktische Erfahrung im selbstständigen Anwenden von Methoden des maschinellen Lernens auf einen realen Rohdatensatz in einem spezifischen Anwendungsszenario. Hierzu gehört insbesondere die maschinelle Aufbereitung realer Daten in ein brauchbares Format, das Kalibrieren von Vorhersagemethoden, sowie der Vergleich unterschiedlicher Ansätze. Die Studierenden sind fähig, auch auf anderen realen Daten Methoden des maschinellen Lernens erfolgreich anzuwenden sowie den Umfang, die Komplexität und die Erfolgsaussichten eines solchen Projektes unter praktischen Gesichtspunkten abzuschätzen.

Lehrinhalte

Ziel des Projektes ist, eine Vorhersageverfahren (Regression/Klassifikation) für eine reale Anwendung zu entwickeln, auf der Basis einer Open-Source Machine Learning toolbox. Dazu wird ein realer Datensatz in Rohdatenformat gegeben. Das Projekt ist in die folgenden drei aufeinander aufbauenden Meilensteine unterteilt. 1. Extraktion von vektoriellen Merkmalsvektoren aus den Rohdaten; univariate und multivariate Bewertung dieser Merkmale. 2. Evaluierung und Vergleich verschiedener Vorhersagemethodiken, Entwicklung geeigneter Bewertungsansätze und Gütemasse. 3. Begründete Auswahl und abschließende Bewertung einer bestimmten Vorhersagemethodik. Im Unterschied zum Praktikum liegt der Schwerpunkt nicht auf der Implementierung von Machine Learning-Methoden, sondern auf Datenaufbereitung sowie Anwendung, Bewertung und Auswahl von Methoden aus existierenden Toolboxen.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Projekt Maschinelles Lernen	PJ	0434 L552	WiSe	Keine Angabe	6

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Projekt Maschinelles Lernen (PJ):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	6.0h	90.0h
Vor-/Nachbereitung	15.0	12.0h	180.0h
			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 in Zweiergruppen. 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

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

Name	Punkte	Kategorie	Dauer/Umfang
Programmcode/Dokumentation 1. Meilenstein	33	schriftlich	Keine Angabe
Programmcode/Dokumentation 2. Meilenstein	33	schriftlich	Keine Angabe
Programmcode/Dokumentation 3. Meilenstein	34	schriftlich	Keine Angabe

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 20.

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/
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
Computer Engineering (M. Sc.)	1	39	WS 2019/20	WiSe 2025/26
Computer Science (Informatik) (M. Sc.)	1	39	WS 2019/20	WiSe 2025/26
Elektrotechnik (M. Sc.)	1	26	WS 2019/20	WiSe 2025/26
Information Systems Management (Wirtschaftsinformatik) (M. Sc.)	1	13	WS 2019/20	WiSe 2025/26
Medieninformatik (M. Sc.)	1	13	WS 2019/20	WiSe 2025/26
Medientechnik (M. Sc.)	1	10	WiSe 2023/24	WiSe 2025/26
Wirtschaftsingenieurwesen (M. Sc.)	1	14	WS 2019/20	WiSe 2025/26

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe