Moses - Modulbeschreibung ohne Titel

Zur Modulseite PDF generieren

Modul / Version
#41173 / #1

Gültigkeit
SoSe 2020 - WiSe 2023/24

Verfügbare Sprache(n)
Deutsch

Titel des Moduls
Machine Learning 2-X

Leistungspunkte
12

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
Montavon, Gregoire

E-Mail-Adresse
klaus-robert.mueller@tu-berlin.de

Webseite

https://wiki.ml.tu-berlin.de/wiki/

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum SoSe 2020 - WiSe 2023/24. Die Version für das aktuelle Semester (SoSe 2025) finden Sie hier: Modulbeschreibung des SoSe 2025

Lernergebnisse

Die Studierenden haben ein vertieftes Wissen über die Anwendung spezifischer Methoden des Maschinellen Lernens (Klassifikation, Regression, Dimensionsreduktion, Clustering) in ausgewählten Anwendungsbereichen (Bioinformatik, Computersicherheit, etc.) und können diese Methoden selbstständig anwenden und weiterentwickeln. Insbesondere sind die Studierenden mit den Aspekten des Maschinellen Lernens vertraut, welche für den praktischen Erfolg entscheidend sind. Je nach Wahlpflichtkurs können die Studierenden zudem entweder ihre mathematisch Kenntnisse, ihre Python Erfahrung oder ein individuell gewähltes Anwendungsgebiet aus dem Maschinellen Lernen vertiefen.

Lehrinhalte

In dieser Vorlesung werden weiterführende Themen des Maschinellen Lernens behandelt. Ein besonderer Schwerpunkt wird auf die Anwendung gelegt. Mehrere erfolgreiche Anwendungen des Maschinellen Lernens werden besprochen und auf die jeweiligen Besonderheiten wird eingegangen. Unter anderem werden folgende Themen behandelt: halbüberwachtes Lernen, Boostingverfahren, Optimierungstheorie, Kernmethoden für strukturierte Daten, graphische Modelle. Beispiele für erfolgreiche Anwendungen sind unter anderem Bioinformatik, Computersicherheit und Textmining. Darüber hinaus können die Studierenden in der Wahlpflichtveranstaltung je nach Vorkenntnissen und Interessen folgende Schwerpunkte wählen: * Matlab Programmierung für Maschinelles Lernen und Datenanalyse oder Python Programmierung für Maschinelles Lernen: diese Kurse vermitteln das praktische Rüstzeug zur Entwicklung, Anwendung und Untersuchung von Verfahren des Maschinellen Lernens. * Mathematische Grundlagen fur Maschinelles Lernen: dieser Kurs wiederholt, vertieft und spezialisiert die mathematischen Kenntnisse aus den Grundlagenmodulen des Informatikstudiums. * Seminare: in den jeweiligen Seminaren wird das selbstständige Einarbeiten und Präsentieren von Wissenschaftlichen Ergebnissen geübt. * Deep Neural Networks, Machine Learning in the Sciences: in den jeweiligen Zusatzvorlesungen wird das entsprechende Thema theoretisch zusätzlich vertieft * Workshop Advanced Machine Learning: hier wird in einem einwöchigen Intensivkurs ein aktuelles Forschungsthema vertieft unterrichtet und auf reale Daten angewendet.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Maschinelles Lernen II	IV	0434 L 503	SoSe	en	6

Wahlpflichtbereich

Aus den folgenden Veranstaltungen müssen 3 Leistungspunkte abgeschlossen werden.

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS
Big Data: Skalierbares Maschinelles Lernen	KU		WiSe	Keine Angabe	2
Big Data: Skalierbares Maschinelles Lernen	VL		SoSe	Keine Angabe	2
Classical Topics in ML	SEM	0434 L 588	WiSe	Keine Angabe	2
Deep Neural Networks	VL		WiSe/SoSe	Keine Angabe	2
Hot Topics In ML	SEM	0434 L 560	SoSe	Keine Angabe	2
Learning on Structured Data	SEM		WiSe/SoSe	Keine Angabe	2
Machine Learning for Computer Vision	SEM		WiSe/SoSe	Keine Angabe	2
Machine Learning in the Sciences	VL		SoSe	Keine Angabe	2
Mathematische Grundlagen für Maschinelles Lernen	KU	0434 L 545	WiSe/SoSe	Keine Angabe	2
Matlabprogrammierung für ML und Datenanlyse	KU	0434 L 544	WiSe/SoSe	Keine Angabe	2
Pythonprogrammierung für ML und Datenanalyse	KU	0434 L 543	WiSe/SoSe	en	2
Representations in Machine Learning	SEM		WiSe/SoSe	Keine Angabe	2
Scientific applications in Machine Learning	SEM		WiSe/SoSe	Keine Angabe	2
Workshop Advanced Machine Learning	VL		SoSe	Keine Angabe	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Big Data: Skalierbares Maschinelles Lernen (KU):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Big Data: Skalierbares Maschinelles Lernen (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Classical Topics in ML (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Deep Neural Networks (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Hot Topics In ML (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Learning on Structured Data (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Machine Learning for Computer Vision (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Machine Learning in the Sciences (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Maschinelles Lernen II (IV):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Concepts & Theory	15.0	6.0h	90.0h
Exercises	15.0	6.0h	90.0h
Programming	15.0	6.0h	90.0h
			270.0h(~9 LP)

Mathematische Grundlagen für Maschinelles Lernen (KU):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Matlabprogrammierung für ML und Datenanlyse (KU):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Pythonprogrammierung für ML und Datenanalyse (KU):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Representations in Machine Learning (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Scientific applications in Machine Learning (SEM):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Workshop Advanced Machine Learning (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			90.0h(~3 LP)

Der Aufwand des Moduls summiert sich zu 360.0 Stunden. Damit umfasst das Modul 12 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Die IV besteht aus einem Vorlesungsteil (Frontalunterricht vor allen Teilnehmer:innen zur Vermittlung des Stoffes) und einem Anteil praktischer Arbeit. Letztere besteht aus dem selbstständigen Bearbeiten von Übungsaufgaben.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Programmierkenntnisse, gute Grundlagen in Mathematik, insbesondere Lineare Algebra, Analysis, Wahrscheinlichkeitsrechnung. Grundlagen des maschinellen Lernens sind ratsam, z.B. Teilnahme am Modul „Maschinelles Lernen 1“, jedoch bei solidem theoretischem Vorwissen nicht zwingend erforderlich.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Voraussetzung
Leistungsnachweis »Machine Learning 2-X: Übungsschein Wahlpflichtveranstaltung bestanden«

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:
2 Semester.

Dieses Modul kann in folgenden Semestern begonnen werden:
Winter- und Sommersemester.

Maximale teilnehmende Personen

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Keine.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: nicht 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.

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Die doppelte Anerkennung einzelner Lehrveranstaltungen aus bereits belegten Modulen ist ausgeschlossen.