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

Projekt Maschinelles Lernen

Zur Modulseite PDF generieren

#40653 / #7

Seit SoSe 2026

Deutsch, Englisch

Machine Learning Project
Projekt Maschinelles Lernen

9

Müller, Klaus-Robert

Benotet

Portfolioprüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352000 FG Maschinelles Lernen

Keine Angabe

Kontakt


FR 6-1

Keine Angabe

TeachingTeam@ml.tu-berlin.de

http://ml.tu-berlin.de

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:

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

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

NamePunkteKategorieDauer/Umfang
(Ergebnisprüfung) Programmcode/Dokumentation 1. Meilenstein33schriftlichca. 6 Wochen
(Ergebnisprüfung) Programmcode/Dokumentation 2. Meilenstein33schriftlichca. 6 Wochen
(Ergebnisprüfung) Programmcode/Dokumentation 3. Meilenstein34schriftlichca. 6 Wochen

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


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Computer Engineering (M. Sc.)13SoSe 2026SoSe 2026
Computer Science (Informatik) (M. Sc.)13SoSe 2026SoSe 2026
Elektrotechnik (M. Sc.)12SoSe 2026SoSe 2026
Information Systems Management (Wirtschaftsinformatik) (M. Sc.)11SoSe 2026SoSe 2026
Medieninformatik (M. Sc.)11SoSe 2026SoSe 2026
Medientechnik (M. Sc.)12SoSe 2026SoSe 2026
Wirtschaftsingenieurwesen (M. Sc.)11SoSe 2026SoSe 2026

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe