Moses - Python für Maschinelles Lernen

Zur Modulseite PDF generieren

Modul / Version
#41143 / #6

Gültigkeit
Seit SoSe 2026

Verfügbare Sprache(n)
Deutsch, Englisch

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)
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
Wolff, Jannik

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

Webseite

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

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum Seit SoSe 2026. Die Version für das aktuelle Semester (WiSe 2025/26) finden Sie hier: Modulbeschreibung des WiSe 2025/26

Lernergebnisse

Die Studierenden zeigen ein starkes konzeptionelles Verständnis von Python, einschließlich Kernprinzipien wie Syntax, Idiome, fortgeschrittene funktionale und objektorientierte Muster sowie der im Kurs eingeführten Bibliotheken. Sie können fortgeschrittene Machine-Learning-Aufgaben implementieren, gestützt auf ein solides Verständnis der zugrunde liegenden Konzepte. Sie können Standard-Programmierwerkzeuge wie Programmierumgebungen und Debugger verwenden.

Lehrinhalte

- Python-Syntax und -Idiome (Beispiel: List Comprehensions und Typbehandlung) - Fortgeschrittene funktionale und objektorientierte Muster (Beispiel: Dekoratoren oder Dunder-Methoden) - Bibliotheken (Beispiel: Beschleunigungs-Frameworks wie NumPy oder Torch) - Implementierung von Machine-Learning-Aufgaben, die auch das konzeptionelle Verständnis des Settings umfasst - Verwendung von Programmierumgebungen (Beispiel: Jupyter-Umgebung & Debugger) Die genauen Inhalte (z. B. die bereitgestellten Beispiele) können je nach Semester variieren, z. B. basierend auf jüngsten Entwicklungen.

Modulbestandteile

Pflichtbereich

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
Tutorien	9.0	2.0h	18.0h
Vorbereitung auf die Prüfung	1.0	45.0h	45.0h
Vorlesungen	9.0	2.0h	18.0h
Vor- und Nachbereitung der Tutorien (einschließlich Hausaufgaben)	9.0	8.0h	72.0h
Vor- und Nachbereitung der Vorlesungen	9.0	3.0h	27.0h
			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

Das Modul besteht aus ungefähr neun Vorlesungen und dem Äquivalent von ungefähr neun Tutorial-Sitzungen. Einige Wochen enthalten Hausaufgaben. Die Studierenden erledigen die Hausaufgaben üblicherweise außerhalb der Tutorials, wobei die Tutorials Hilfe bieten können.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Studierende sollten grundlegende Programmierprinzipien in Python oder einer anderen Sprache mit gleicher oder geringerer Abstraktion (z. B. nicht R) kennen. Wir empfehlen, vor Beginn des Kurses eine virtuelle Python-Umgebung zu installieren, wobei dies auf Betriebssystemen wie Windows viel Zeit in Anspruch nehmen kann. Studierende sollten darüber hinaus grundlegende mathematische Prinzipien kennen. Beispielsweise erleichtert Wissen in linearer Algebra das Verständnis für die Implementierung komplexer Tensoroperationen.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Schriftliche Prüfung

Sprache(n)

Englisch

Dauer/Umfang

120 Minuten

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 150.

Anmeldeformalitäten

Die Kurswebseite auf ISIS beschreibt die Zulassung für ein bestimmtes Semester. Studierende werden dazu ermutigt, sich rechtzeitig (idealerweise vor Beginn des Semesters) mit dem Zulassungsverfahren vertraut zu machen. Andernfalls können sie nicht am Modul teilnehmen, wenn sie wichtige Zulassungsfristen verpassen. Beachten Sie, dass Teile des ISIS-Kurses manchmal für Gäste (ohne TU-Account) verfügbar sind. Die maximale Teilnehmerzahl wird durch die im jeweiligen Semester verfügbaren organisatorischen und technischen Ressourcen bestimmt.

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

Wenn möglich, ist die Prüfung digital und findet in Präsenz statt: Studierende schreiben Code in einer Programmierumgebung (z. B. einer Jupyter-Umgebung) und haben Zugriff auf einen Python-Interpreter, Dokumentation (über Pythons Standardbibliothek) sowie einen einfachen Python-Debugger über die Python-Standardbibliothek. Die Umgebung umfasst üblicherweise zusätzliche Programmier-Frameworks, z. B. zur Implementierung von Tensoroperationen. Das genaue Setup wird auf ISIS angegeben und kann je nach technischen oder anderen Einschränkungen variieren. Die Durchführbarkeit einer digitalen Prüfung kann nicht garantiert werden und ist durch technische und andere Ressourcen begrenzt. Die Ausweichlösung ist entweder eine schriftliche Prüfung (Stift und Papier) oder eine hybride Lösung (z. B. kein Zugriff auf einen Python-Interpreter, aber Abgabe der Antworten über ISIS). Bitte konsultieren Sie die Kurswebseite auf ISIS für zusätzliche Informationen.