Deep Learning 1Modulbeschreibung #41071 / Version 2
- 6 LP
- Schriftliche Prüfung
- Benotet
- Wintersemester
- Englisch
| Modul / Version | #41071 / #2 |
|---|---|
| Gültigkeit | Seit WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| 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 |
Kontakt
| Sekretariat | FR 6-1 |
|---|---|
| Ansprechpartner*in | Gebauer, Niklas |
| E-Mail-Adresse | dl1@ml.tu-berlin.de |
| Webseite | https://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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Deep Learning 1 - main | Integrierte Veranstaltung | Wintersemester | [en] | 4 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (1)
Deep Learning 1 - main (Integrierte Veranstaltung) 1
- Deep Learning 1 - main (Integrierte Veranstaltung) Termingruppe 1
Arbeitsaufwand und Leistungspunkte
Deep Learning 1 - main (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Konzepte & Theorie | 10 | 6 h | 60 h |
| 60 h | |||
Lehrveranstaltungsunabhängiger Aufwand
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Durchführung semesterbegleitender Leistungsscheine | 3 | 30 h | 90 h |
| Vorbereitung Prüfung | 1 | 30 h | 30 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
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 120 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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | WiSe 2025/26 | 2. Kernbereich: Simulation und Optimierung |
| SoSe 2026 | 2. Kernbereich: Simulation und Optimierung | |
| WiSe 2026/27 | 2. Kernbereich: Simulation und Optimierung | |
| Computer Engineering StuPO 2015 | WiSe 2025/26 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems |
| SoSe 2026 | Wahlpflicht Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet B › Kognitive Systeme / Cognitive Systems | |
| Computer Science (Informatik) StuPO 2015 | WiSe 2025/26 | Studiengebiete › Data and Software Engineering / Data and Software Engineering |
| SoSe 2026 | Studiengebiete › Kognitive Systeme / Cognitive Systems | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiet › Kognitive Systeme / Cognitive Systems | |
| Elektrotechnik StuPO 2015 | WiSe 2025/26 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering |
| SoSe 2026 | Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| WiSe 2026/27 | Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering | |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | WiSe 2025/26 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
| SoSe 2026 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering | |
| WiSe 2026/27 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering | |
| Wirtschaftsingenieurwesen StuPO 2015 | SoSe 2026 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems |
| WiSe 2026/27 | Ingenieurwissenschaftliche 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 2026/27 | Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering |
Sonstiges
Keine Angabe