Moses - Python für Maschinelles Lernen

Zur Modulseite PDF generieren

Modul / Version
#41143 / #2

Gültigkeit
SoSe 2024 - SoSe 2024

Verfügbare Sprache(n)
English

Titel des Moduls
Python for Machine Learning
Python für Maschinelles Lernen

Leistungspunkte
6

Modulverantwortliche*r
Müller, Klaus-Robert

Benotung
Benotet

Prüfungsform
Schriftliche Prüfung

Lehrsprache(n)
English

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
Wolff, Jannik

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

Webseite

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

Diese Modulbeschreibung ist nicht oder nicht vollständig auf deutsch hinterlegt.

Es wird stattdessen der Inhalt der folgenden Sprachversion angezeigt: Englisch.

Klicken Sie hier um die Inhalte der fehlenden oder unvollständige Sprachversion (Deutsch) anzuzeigen

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum SoSe 2024 - SoSe 2024. Die Version für das aktuelle Semester (SoSe 2025) finden Sie hier: Modulbeschreibung des SoSe 2025

Lernergebnisse

The students have a deep theoretical understanding of Python programming, which they can apply autonomously using standard programming tools such as Jupyter notebooks and a debugger. Specifically, Students understand general principles underlying Python programming, e.g., Python syntax and advanced paradigms of functional and object-oriented programming. They can apply these skills to advanced data science and machine learning tasks. This includes efficiently and compactly implementing complex tensor operations and implementing visualization methods.

Lehrinhalte

The module briefly motivates Python by contrasting it to other programming paradigms (e.g., Julia or C). The module introduces Python-specific programming principles, e.g., duck typing or idiomatic constructs (“Pythonic” syntax) such as generator comprehensions. Students implement visualization code primarily using the framework Matplotlib. The module teaches the application of the learned programming skills to machine learning (ML) problems, which includes conceptually understanding exemplary ML tasks. For example, the module teaches the implementation of complex tensor operations (often relevant in machine learning) using acceleration frameworks (such as NumPy or PyTorch) that ensure compact syntax and efficient computation. The module teaches the use of programming environments such as Jupyter notebooks and tools like debuggers, which can also be used during the exam.

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Python for Machine Learning	IV		WiSe/SoSe	en	4

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Python for Machine Learning (IV):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Lectures	9.0	2.0h	18.0h
Tutorials	9.0	2.0h	18.0h
Preparation/follow-up work for the lectures	9.0	3.0h	27.0h
Preparation/follow-up work for the tutorials (including homework)	9.0	8.0h	72.0h
Preparation for the exam	1.0	45.0h	45.0h
			180.0h(~6 LP)

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

Beschreibung der Lehr- und Lernformen

The module exhibits a hybrid format: On the one hand, the course instructors teach some of the content in person in a guided format. On the other hand, students learn to program autonomously and individually while establishing a sound theoretical understanding of programming paradigms and relevant machine-learning problems. Specifically, the module takes place over nine weeks with weekly lectures and tutorial sessions. Some weeks contain homework exercises. These must be done individually, although the tutorials provide help if necessary, and possible solutions are discussed after the homework deadline.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Students should know basic programming principles such as recursion - in Python or any other programming language. They should know basic mathematical principles, e.g., knowledge of linear algebra helps understand the implementation of complex tensor operations.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Written exam

Sprache(n)

English

Dauer/Umfang

120 minutes

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

Die maximale Teilnehmerzahl beträgt 180.

Anmeldeformalitäten

Please check the module’s website (to be found at the website of the Machine Learning Group at TU Berlin).

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: 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.

Sonstiges

The exam is digital, i.e., students write code in Jupyter notebooks and have access to a Python interpreter, documentation (via Python's standard library), and a simple Python debugger. The exam takes place in person, i.e., it is not an online exam. Therefore, the maximum capacity of the course is set to 180 students (which equals the maximum capacity of the examination computer room). Students can bring an A4 sheet (with arbitrary content on both sides) into the exam.