Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Deep Learning 2-XModulbeschreibung #41142 / Version 1

← Zur Modulseite English version
Modul / Version#41142 / #1
GültigkeitSeit SoSe 2024
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte9
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*inEberle, Oliver
E-Mail-Adresseoliver.eberle@tu-berlin.de
Webseitehttps://web.ml.tu-berlin.de/

Lernergebnisse

Verständnis fortgeschrittener Techniken des Deep Learning, einschließlich der Anwendung mathematischer Konzepte wie Differentialgleichungen, Gruppentheorie und Fixpunktiteration in neuronalen Netzen. Verständnis fortgeschrittener Architekturen tiefer neuronaler Netze, die in der Praxis verwendet werden (z. B. GANs, Transformer, Normalizing Flows, äquivariante neuronale Netze). Fähigkeit, fortgeschrittene neuronale Netze mit gängigen Deep-Learning-Frameworks zu implementieren.

Lehrinhalte

Fortgeschrittene Techniken wie Self-Attention, äquivariante Convolutions, deep equilibrium networks, generative adversarische Netze, neuronale Differentialgleichungen und Normalizing Flows. Anwendung von Techniken des maschinellen Lernens wie selbstüberwachtes/autoregressives Lernen, Dichteschätzung, Erkennung von Anomalien und Reinforcement Learning in neuronalen Netzen. Ansätze zur Beschleunigung und Deployment neuronaler Netze, wie Destillation, Quantisierung und Faktorisierung.

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Deep Learning 2 - mainIntegrierte Veranstaltung Sommersemester[de]4 ISIS

Wahlpflichtbereich

Aus den folgenden Veranstaltungen muss eine Auswahl abgeschlossen werden:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Bayesian LearningVorlesung343 L 8043 Wintersemester–2 ISIS
Classical Topics in MLSeminar0434 L 588 Wintersemester–2 ISIS
Explainable Machine LearningSeminar Winter- und Sommersemester[de]2 ISIS
Generative ModelsSeminar Winter- und Sommersemester[de]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
Software engineering practices for scientific software developmentSeminar Winter- und Sommersemester[de]2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (1)

Mathematische Grundlagen für Maschinelles Lernen (Kurs) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Deep Learning 2 - main (Integrierte Veranstaltung)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit154 h60 h
Vor-/Nachbereitung158 h120 h
180 h

Bayesian Learning (Vorlesung)

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

Classical Topics in ML (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
Vor-/Nachbereitung156 h90 h
120 h

Explainable Machine Learning (Seminar)

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

Generative Models (Seminar)

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

Machine Learning and Data Management Systems (Seminar)

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit152 h30 h
30 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

Software engineering practices for scientific software development (Seminar)

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

Der Aufwand des Moduls summiert sich zu 870 Stunden. Damit umfasst das Modul 9 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul besteht aus wöchentlichen Vorlesungen und wöchentlichen Hausaufgaben.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Es gibt keine formalen Voraussetzungen. Das Modul baut jedoch auf dem Modul Deep Learning 1 auf. Daher sind Grundkenntnisse über maschinelles Lernen und neuronale Netze wünschenswert. Vorkenntnisse in Multivariater Infinitesimalrechnung, Wahrscheinlichkeitsrechnung und Python-Programmierung werden vorausgesetzt.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Die Prüfungsvoraussetzungen konnten nicht abgerufen werden.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang120 Minuten

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

siehe Kurs-Webseite

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

verfügbar – Die Vorlesungsfolien finden Sie auf der Seite des Moduls bei ISIS

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
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
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
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
SoSe 2025Wahlpflicht Studiengebiete Fak. IV › Kognitive Systeme / Cognitive Systems
WiSe 2025/26Wahlpflicht Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
SoSe 2026Wahlpflicht Studiengebiete Fak. IV › Automatisierungstechnik / Automation and Control
WiSe 2026/27Wahlpflichtbereich › Studiengebiete Fak. IV › Data and Software Engineering / Data and Software Engineering
Information Systems Management (Wirtschaftsinformatik)
StuPO 2017
SoSe 2025Wahlpflichtbereich › Fachstudium Informatik › Data and Software Engineering
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 2026
WiSe 2026/27Ingenieurwissenschaften / Studienrichtungen › AI Engineering › Data and Software Engineering

Sonstiges

Keine Angabe