Deep Learning 1-XModulbeschreibung #41141 / Version 1
- 9 LP
- Schriftliche Prüfung
- Benotet
- Wintersemester
- Englisch
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27).
Zur aktuellen Version (v2)
| Modul / Version | #41141 / #1 |
|---|---|
| Gültigkeit | SoSe 2024 – SoSe 2025 |
| Verfügbare Sprache(n) | Englisch |
| Leistungspunkte | 9 |
| Modulverantwortliche*r | Montavon, Gregoire |
| 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 beliebtesten tiefen neuronalen Netzwerkarchitekturen (z. B. Convolutional Neural Networks). Fähigkeit, ein neuronales Netzwerk mithilfe gängiger Deep-Learning-Frameworks zu implementieren.
Lehrinhalte
Grundlagen von künstlichen Neuronalen Netzen, einschließlich Perceptron, Multilayer-Perceptron, Aktivierungsfunktionen, Kostenfunktionen, Backpropagation und die Themen Optimierung und Regularisierung. Gängige Optimierungstechniken wie Stochastischer Gradientenabstieg (SGD), Momentum und RMSProp. Regularisierungsmethoden wie zum Beispiel L2-Norm, Dropout und Lipschitz-Beschränkungen. Weit verbreitete Architekturen, wie zum Beispiel Convolutional Neural networks, Autoencoder und rekurrente Neuronale Netzwerke. Einführung in das 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 | [de] | 4 | WiSe 2026/27 (1) ISIS |
Wahlpflichtbereich
Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Big Data: Skalierbares Maschinelles Lernen | Seminar | Wintersemester | – | 2 | ISIS | |
| Classical Topics in ML | Seminar | 0434 L 588 | Wintersemester | – | 2 | ISIS |
| Machine Learning and Data Management Systems | Seminar | Winter- und Sommersemester | – | 2 | ISIS | |
| Machine Learning in the Sciences | Vorlesung | Sommersemester | – | 2 | ISIS | |
| Mathematische Grundlagen für Maschinelles Lernen | Kurs | 0434 L 545 | Winter- und Sommersemester | – | 2 | WiSe 2026/27 (1) ISIS |
| Matlabprogrammierung für ML und Datenanlyse | Kurs | 0434 L 544 | Winter- und Sommersemester | – | 2 | ISIS |
| Pythonprogrammierung für ML und Datenanalyse | Kurs | 0434 L 543 | Winter- und Sommersemester | [de] | 2 | ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Deep Learning 1 - main (Integrierte Veranstaltung) 1
- Deep Learning 1 - main (Integrierte Veranstaltung) Termingruppe 1
Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1
- Mathematische Grundlagen für Maschinelles Lernen (Math4ML) (Vorlesung) 1. Termingruppe 0434 L 545
Arbeitsaufwand und Leistungspunkte
Deep Learning 1 - main (Integrierte Veranstaltung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 10 | 6 h | 60 h |
| Vor-/Nachbereitung | 10 | 6 h | 60 h |
| Programming | 10 | 6 h | 60 h |
| 180 h | |||
Big Data: Skalierbares Maschinelles Lernen (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Classical Topics in ML (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning and Data Management Systems (Seminar)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Pre/post processing | 15 | 4 h | 60 h |
| 90 h | |||
Machine Learning in the Sciences (Vorlesung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Mathematische Grundlagen für Maschinelles Lernen (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Matlabprogrammierung für ML und Datenanlyse (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Pythonprogrammierung für ML und Datenanalyse (Kurs)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Der Aufwand des Moduls summiert sich zu 810 Stunden. Damit umfasst das Modul 9 Leistungspunkte.
Beschreibung der Lehr- und Lernformen
Das Modul besteht aus wöchentlichen Vorlesungen mit wöchentlichen Hausaufgaben. Das Modul beinhaltet auch ein Wahlpflichtfach.
Voraussetzungen für die Teilnahme / Prüfung
Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:
Es gibt keine formellen Voraussetzungen. Vorkenntnisse in Analysis und Python-Programmierung werden jedoch vorausgesetzt. Grundkenntnisse im maschinellen Lernen sind ebenfalls wünschenswert.
Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:
Dieses Modul hat keine Prüfungsvoraussetzungen.
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: Wintersemester.
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
Diese Modulversion wird in folgenden Studiengängen verwendet:
| Studiengang / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Computer Engineering StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Automatisierungstechnik / Automation and Control |
| Computer Science (Informatik) StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| Elektrotechnik StuPO 2015 | SoSe 2025 | Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems |
| Information Systems Management (Wirtschaftsinformatik) StuPO 2017 | SoSe 2025 | Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering |
Sonstiges
Keine Angabe