Deep Learning 2Modulbeschreibung #41072 / Version 1
- 6 LP
- Schriftliche Prüfung
- Benotet
- Sommersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v2)
| Modul / Version | #41072 / #1 |
|---|---|
| Gültigkeit | WiSe 2022/23 – SoSe 2023 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Schütt, Kristof |
| 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 | Eberle, Oliver |
| E-Mail-Adresse | oliver.eberle@tu-berlin.de |
| Webseite | http://wiki.ml.tu-berlin.de/wiki/ |
Lernergebnisse
Understanding of advanced techniques of deep learning, including the application of mathematical concepts such as differential equations, group theory and fix-point iteration in neural networks. Understanding of advanced deep neural network architectures used in practice (e.g. GANs, Transformer, normalizing flows, equivariant neural networks). Ability to implement advanced neural networks using common deep learning frameworks.
Lehrinhalte
Advanced techniques such as self-attention, equivariant convolutions, deep equilibrium networks, generative adversarial networks, neural differential equations and normalizing flows. Application of machine learning techniques such as self-supervised / autoregressive learning, density estimation, anomaly detection and reinforcement learning in neural networks. Approaches to accelerate and deploy neural network, such as distillation, quantization, and factorization.
Modulbestandteile
Pflichtbereich
Die folgenden Veranstaltungen sind für das Modul obligatorisch:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Deep Learning 2 - main | Integrierte Veranstaltung | Sommersemester | [en] | 4 | ISIS |
Arbeitsaufwand und Leistungspunkte
Deep Learning 2 - main (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Concepts & Theory | 10 | 6 h | 60 h |
| Exercises | 10 | 6 h | 60 h |
| Programming | 10 | 6 h | 60 h |
| 180 h | |||
Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
The module will consist of weekly lectures accompanied with weekly homeworks.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
There are no formal prerequisites. However, the module builds on the module Deep Learning 1. Therefore basic knowledge of machine learning and neural networks is desirable. Prior knowledge multivariate calculus, probability theory and Python programming will be assumed.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.
Abschluss des Moduls
| Benotung | Benotet |
|---|---|
| Prüfungsform | Schriftliche Prüfung |
| Sprache | Englisch |
| Dauer/Umfang | 120 minutes |
Dauer des Moduls
Für Belegung und Abschluss des Moduls ist folgende Semesteranzahl veranschlagt: 1 Semester.
Dieses Modul kann in folgenden Semestern begonnen werden: Sommersemester.
Maximale teilnehmende Personen
Dieses Modul ist nicht auf eine Anzahl Studierender begrenzt.
Anmeldeformalitäten
cf. course webpage
Literaturhinweise, Skripte
Skript in Papierform
nicht verfügbar
Skript in elektronischer Form
nicht verfügbar
Empfohlene Literatur
Keine empfohlene Literatur angegeben
Zugeordnete Studiengänge
Dieses Modul findet in keinem Studiengang Verwendung.
Sonstiges
Keine Angabe