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

Maschinelles Lernen 2-X

Zur Modulseite PDF generieren

#41173 / #6

Seit SoSe 2024

Deutsch

Machine Learning 2-X
Maschinelles Lernen 2-X

12

Müller, Klaus-Robert

Benotet

Schriftliche Prüfung

Englisch

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352000 FG Maschinelles Lernen

Keine Angabe

Kontakt


MAR 4-1

Montavon, Gregoire

klaus-robert.mueller@tu-berlin.de

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

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: * 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. * Machine Learning in the Sciences: in den jeweiligen Zusatzvorlesungen wird das entsprechende Thema theoretisch zusätzlich vertieft

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Maschinelles Lernen IIIV0434 L 503SoSeen6

Wahlpflichtbereich

Aus den folgenden Veranstaltungen müssen 3 Leistungspunkte abgeschlossen werden.

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Classical Topics in MLSEM0434 L 588WiSeKeine Angabe2
Explainable Machine LearningSEMWiSe/SoSeen2
Generative ModelsSEMWiSe/SoSeen2
Hot Topics In MLSEM0434 L 560SoSeKeine Angabe2
Machine Learning in NeuroscienceSEMWiSe/SoSede2
Machine Learning in Science and Industry, LecturesSEMWiSe/SoSede2
Mathematische Grundlagen für Maschinelles LernenKU0434 L 545WiSe/SoSeKeine Angabe2
Probabilistic Modeling and InferenceSEMWiSe/SoSeen2
Representations in Machine LearningSEMWiSe/SoSeKeine Angabe2
Scientific applications in Machine LearningSEMWiSe/SoSeKeine Angabe2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Classical Topics in ML (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Explainable Machine Learning (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Generative Models (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Hot Topics In ML (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Machine Learning in Neuroscience (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Machine Learning in Science and Industry, Lectures (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Maschinelles Lernen II (IV):

AufwandbeschreibungMultiplikatorStundenGesamt
Concepts & Theory15.06.0h90.0h
Exercises15.06.0h90.0h
Programming15.06.0h90.0h
270.0h(~9 LP)

Mathematische Grundlagen für Maschinelles Lernen (KU):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Probabilistic Modeling and Inference (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Representations in Machine Learning (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Scientific applications in Machine Learning (SEM):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
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 »[ML] Non-graded certificate for elective«

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

Weitere Informationen finden Sie auf der Kurswebseite.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Biomedizinische Technik (M. Sc.)13SoSe 2024SoSe 2025
Computational Engineering Science (Informationstechnik im Maschinenwesen) (M. Sc.)13SoSe 2024SoSe 2025
Computer Engineering (M. Sc.)118SoSe 2024SoSe 2025
Computer Science (Informatik) (M. Sc.)115SoSe 2024SoSe 2025
Elektrotechnik (M. Sc.)19SoSe 2024SoSe 2025
Information Systems Management (Wirtschaftsinformatik) (M. Sc.)13SoSe 2024SoSe 2025
Physikalische Ingenieurwissenschaft (M. Sc.)26SoSe 2024SoSe 2025
Wirtschaftsingenieurwesen (M. Sc.)16SoSe 2024SoSe 2025

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Der Pflichtteil ("Pflichtgruppe") wird nur im Sommersemester angeboten. Es ist jedoch möglich, an einigen Wahlfächern während des Wintersemesters teilzunehmen. Die doppelte Anerkennung einzelner Lehrveranstaltungen aus bereits belegten Modulen ist ausgeschlossen.