Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Deep Learning 1-XModulbeschreibung #41141 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v2)
Modul / Version#41141 / #1
GültigkeitSoSe 2024 – SoSe 2025
Verfügbare Sprache(n)Englisch
Leistungspunkte9
Modulverantwortliche*rMontavon, Gregoire
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 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:

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

Wahlpflichtbereich

Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Big Data: Skalierbares Maschinelles LernenSeminar Wintersemester–2 ISIS
Classical Topics in MLSeminar0434 L 588 Wintersemester–2 ISIS
Machine Learning and Data Management SystemsSeminar Winter- und Sommersemester–2 ISIS
Machine Learning in the SciencesVorlesung Sommersemester–2 ISIS
Mathematische Grundlagen für Maschinelles LernenKurs0434 L 545 Winter- und Sommersemester–2 ISIS
Matlabprogrammierung für ML und DatenanlyseKurs0434 L 544 Winter- und Sommersemester–2 ISIS
Pythonprogrammierung für ML und DatenanalyseKurs0434 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

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Deep Learning 1 - main (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit106 h60 h
Vor-/Nachbereitung106 h60 h
Programming106 h60 h
180 h

Big Data: Skalierbares Maschinelles Lernen (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Classical Topics in ML (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Machine Learning and Data Management Systems (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Pre/post processing154 h60 h
90 h

Machine Learning in the Sciences (Vorlesung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Mathematische Grundlagen für Maschinelles Lernen (Kurs)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Matlabprogrammierung für ML und Datenanlyse (Kurs)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 h
90 h

Pythonprogrammierung für ML und Datenanalyse (Kurs)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung154 h60 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

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang120 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 / StuPOSemesterStudiengangsbereich
Computer Engineering
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Automatisierungstechnik / Automation and Control
Computer Science (Informatik)
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
Elektrotechnik
StuPO 2015
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
SoSe 2025Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering

Sonstiges

Keine Angabe