Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Deep Learning 1Modulbeschreibung #41071 / Version 2

← Zur Modulseite English version
Modul / Version#41071 / #2
GültigkeitSeit WiSe 2025/26
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rMüller, Klaus-Robert
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät IV
InstitutInstitut für Softwaretechnik und Theoretische Informatik
Fachgebiet34352000 FG Maschinelles Lernen

Kontakt

SekretariatFR 6-1
Ansprechpartner*inGebauer, Niklas
E-Mail-Adressedl1@ml.tu-berlin.de
Webseitehttps://web.ml.tu-berlin.de/teaching/courses/

Lernergebnisse

Verständnis der Grundlagen neuronaler Netze und Deep Learning, einschließlich Optimierungs- und Regularisierungsaspekten. Verständnis der in der Praxis verwendeten gängigen Architekturen für tiefe neuronale Netze (z. B. Convolutional Neural Networks). Fähigkeit, ein neuronales Netz unter Verwendung gängiger Deep-Learning-Frameworks zu implementieren.

Lehrinhalte

Grundlagen neuronaler Netze, einschließlich Perzeptron, multi-layer perceptrons, Aktivierungsfunktionen, loss functions, error backpropagation, und die Fragen der Optimierung und Regularisierung. Gängige Optimierungstechniken wie SGD, Momentum und RMSProp. Gängige Regularisierungstechniken wie weight decay, Dropout und Lipschitz-Beschränkungen. Vorstellung beliebter Architekturen wie das Convolutional Neural Network, Autoencoder und rekurrente neuronale Netze. Deep-Learning-Framework PyTorch.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Deep Learning 1 - mainIntegrierte Veranstaltung Wintersemester[en]4 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (1)

Deep Learning 1 - main (Integrierte Veranstaltung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Deep Learning 1 - main (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Konzepte & Theorie106 h60 h
60 h

Lehrveranstaltungsunabhängiger Aufwand

AufwandbeschreibungMultiplikatorStundenGesamt
Durchführung semesterbegleitender Leistungsscheine330 h90 h
Vorbereitung Prüfung130 h30 h
120 h

Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul besteht aus wöchentlichen Vorlesungen, die von wöchentlichen Hausaufgaben begleitet werden.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Es gibt keine formalen Voraussetzungen. Allerdings werden Vorkenntnisse in multivariater Analysis und Python-Programmierung vorausgesetzt. Grundkenntnisse im Bereich maschinelles Lernen sind ebenfalls wünschenswert.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang120 Minuten

Prüfungsbeschreibung (Abschluss des Moduls)

“Leistungsnachweis »Unbenoteter Übungsschein«, der durch die Teilnahme an einer Übungsgruppe und das Bestehen von mindestens 6 (von insgesamt 11) Übungsblättern mit jeweils mindestens 50 % der Punkte erworben wird.“

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

Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.

Anmeldeformalitäten

Die Lehrmaterialien und Informationen zum Kursaufbau werden über ISIS zur Verfügung gestellt. Die Anmeldung zur Prüfung erfolgt über das offizielle Anmeldesystem der TU Berlin. Bitte beachten Sie unbedingt die für Ihren Studiengang geltenden Regelungen.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

nicht verfügbar

Empfohlene Literatur

Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
WiSe 2025/262. Kernbereich: Simulation und Optimierung
SoSe 20262. Kernbereich: Simulation und Optimierung
WiSe 2026/272. Kernbereich: Simulation und Optimierung
Computer Engineering
StuPO 2015
WiSe 2025/26Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems
SoSe 2026Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems
WiSe 2026/27Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems
Computer Science (Informatik)
StuPO 2015
WiSe 2025/26Studiengebiete › Data and Software Engineering / Data and Software Engineering
SoSe 2026Studiengebiete › Kognitive Systeme / Cognitive Systems
WiSe 2026/27Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems
Elektrotechnik
StuPO 2015
WiSe 2025/26Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
WiSe 2025/26Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
SoSe 2026Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
WiSe 2026/27Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
Wirtschaftsingenieurwesen
StuPO 2015
SoSe 2026Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
WiSe 2026/27Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
Wirtschaftsingenieurwesen
StuPO 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering

Sonstiges

Keine Angabe