1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Projekt Maschinelles Lernen

Zur Modulseite PDF generieren

#40653 / #5

Seit WS 2019/20

English

Machine Learning Project
Projekt Maschinelles Lernen

9

Müller, Klaus-Robert

Benotet

Portfolioprüfung

English

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352000 FG Maschinelles Lernen

Keine Angabe

Kontakt


MAR 4-1

Keine Angabe

Keine Angabe

http://ml.tu-berlin.de

Lernergebnisse

The students have knowledge about and practical experience in independent application of machine learning methods to a real world dataset in a specific application scenario. This particularly includes pre-processing of real world data, calibration of prediction methods, and the comparison of different approaches. The students are also able to apply machine learning methods to other real world datasets, as well as estimating the extent, complexity, and chance of success of such a project from a practical point of view.

Lehrinhalte

The project's goal is the development of a prediction process (regression/classification) for a real world application, based on a open-source machine learning toolbox. A real world dataset in raw format is given. The project is subdivided into three milestones that are based on another. 1. Extraction of feature vectors from raw data; univariate and multivariate evaluation of these features. 2. Evaluation and comparison of different prediction methods; development of appropriate assessment approaches and quality criterions. 3. Justified selection and final assessment of a specific prediction method. Compared to the Lab Course this module does not focus on implementation of machine learning methods, but the data pre-processing as well as application, evaluation, and selection of methods from existing toolboxes.

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Projekt Maschinelles LernenPJ0434 L552WiSeKeine Angabe6
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Projekt Maschinelles Lernen (PJ):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.06.0h90.0h
Vor-/Nachbereitung15.012.0h180.0h
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

Students work in groups of two. There will be a meeting after each milestone where students present and discuss their results (seminar) and the goals for the next milestone are presented (lecture). Further, there will be group meetings at a regular basis.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

There are no formal prerequisites. The lecture "Machine Learning I" and the "Lab Course Machine Learning" are recommended. Programming will be done in Python.

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

NamePunkteKategorieDauer/Umfang
Programmcode/Dokumentation 1. Meilenstein33schriftlich1/3
Programmcode/Dokumentation 2. Meilenstein33schriftlich1/3
Programmcode/Dokumentation 3. Meilenstein34schriftlich1/3

Notenschlüssel

Dieses Prüfung verwendet einen eigenen Notenschlüssel (siehe Prüfungsformbeschreibung).

Prüfungsbeschreibung (Abschluss des Moduls)

After each milestone, participants submit program code and documentation of their solution. There are strict guidelines for the program code as well as for the documentation of the solution which will be published on the website. There are three milestones and 1/3 of the evaluation of each milestone is included in the grade. The solutions are made available to the other participants so that they can build on them in the following milestones.

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

The registration takes place by email. Registrations will be considered in the order in which they are received. For details and deadlines, see ML chair wiki.

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


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Computer Engineering (M. Sc.)136WS 2019/20SoSe 2025
Computer Science (Informatik) (M. Sc.)136WS 2019/20SoSe 2025
Elektrotechnik (M. Sc.)124WS 2019/20SoSe 2025
Information Systems Management (Wirtschaftsinformatik) (M. Sc.)112WS 2019/20SoSe 2025
Medieninformatik (M. Sc.)112WS 2019/20SoSe 2025
Medientechnik (M. Sc.)18WiSe 2023/24SoSe 2025
Wirtschaftsingenieurwesen (M. Sc.)113WS 2019/20SoSe 2025

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe