Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Angewandtes Deep Learning im IngenieurswesenModulbeschreibung #51077 / Version 1

← Zur Modulseite English version
Diese Modulbeschreibung gilt nicht im aktuellen Semester (WiSe 2026/27). Zur aktuellen Version (v2)
Modul / Version#51077 / #1
GültigkeitWiSe 2023/24 – SoSe 2025
Verfügbare Sprache(n)Englisch
Leistungspunkte6
Modulverantwortliche*rStender, Merten
BenotungBenotet
PrüfungsformSchriftliche Prüfung
Lehrsprache(n)Englisch

Zugehörigkeit

FakultätFakultät V
InstitutInstitut für Maschinenkonstruktion und Systemtechnik (IMS)
Fachgebiet35352200 FG Cyber-Physical-Systems in Mechanical Engineering

Kontakt

SekretariatH 66
Ansprechpartner*inStender, Merten
E-Mail-Adressemerten.stender@tu-berlin.de
Webseitehttps://www.tu.berlin/cpsme

Lernergebnisse

In den technischen Disziplinen werden maschinelles Lernen und Deep Learning heute in großem Umfang für die Systemüberwachung, die Fehlererkennung, die datengestützte Entscheidungsunterstützung und die Nutzung der Möglichkeiten von Big Data eingesetzt. Dieses Modul lehrt fortgeschrittene Deep-Learning-Konzepte und deren Python-Implementierung unter Verwendung von Standardbibliotheken. Anhand von Beispielen aus der realen Welt wird das Verständnis für wichtige Konzepte in Feed-Forward-, Faltungsoperationen und rekurrenten tiefen neuronalen Netzen, einschließlich Sequenzklassifizierung, Bildklassifizierung und Objekterkennung, gelehrt.

Nach erfolgreichem Abschluss des Moduls werden die Studierenden Folgendes erwerben:

Wissen:
- Fortgeschrittenes Verständnis von (un-) überwachten Deep-Learning-Methoden, einschließlich ihrer Struktur und Funktionalität.
- Vertrautheit mit Fehlerrückführung, verschiedenen Optimierungsalgorithmen und deren Eigenschaften.
- Beherrschung des Architekturentwurfs und der Konzeption von Deep-Learning-Methoden.
- Kenntnis der wesentlichen neuronalen Trainingsparametern, Regularisierungstechniken und Trainingsstrategien.

Fertigkeiten:
- Statistische Charakterisierung und Auswertung großer, hochdimensionaler Datensätze.
- Umgang mit unstrukturierten Daten unter Verwendung von Faltungsnetzwerken und rekurrenten neuronalen Netzen.
- Effektive Visualisierung von großen, hochdimensionalen Datensätzen.
- Implementierung von Kernoperationen und wichtigen neuronalen Architekturen von Grund auf.
- Nutzung der gängigen Programmierbibliotheken in Python.

Kompetenzen:
- Explorative Analyse von umfangreichen unstrukturierten Datensätzen.
- Feature-Engineering für sequentielle Daten und Umwandlung in strukturierte Formate.
- Auswahl geeigneter neuronaler Deep-Learning-Architekturen für strukturierte und unstrukturierte Daten.
- Auswertung von Vorhersagen, Bewertung von Verzerrungen und Varianz in komplexen tiefen neuronalen Netzen.
- Bewertung von Risiken, Umweltauswirkungen und technologischen Implikationen.

Der Kurs vermittelt 60% Wissen und Verständnis, 20% Analyse und Methodik und 20% Programmierung.

Lehrinhalte

- Einführung in datengetriebene Methoden und ihre Anwendungen im Ingenieurswesen.
- Überwachtes und unüberwachtes Lernen
- Datentypen und Datentypkonvertierung für die datengetriebene Modellierung
- Tiefe vorwärtsgerichtete künstliche neuronale Netze
- Gradientenabstiegsmethoden, Fehlerrückführung und Trainingsverfahren
- Familien von faltenden neuronalen Netzen
- Familien von rekurrenten neuronalen Netzen
- Datengesteuerte Bildverarbeitung: Bildklassifizierung und Objekterkennung
- Bewertung und Beurteilung von Deep-Learning-Methoden
- Praktische Beispiele aus technischen Disziplinen
- Programmieraufgaben und Implementierung in der Programmiersprache Python
- Risiko-, Umwelt- und Technologiefolgenabschätzung

Modulbestandteile

Pflichtbereich

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWSVVZ
Applied Deep Learning in EngineeringÜbung Winter- und Sommersemester[en]2 ISIS
Applied Deep Learning in EngineeringVorlesung Winter- und Sommersemester[en]2 ISIS

Veranstaltungen im Vorlesungsverzeichnis

Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.

WiSe 2026/27 (2)

Applied Deep Learning in Engineering (Übung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Applied Deep Learning in Engineering (Vorlesung) 1

Alle Gruppen dieser Lehrveranstaltung im Verzeichnis

Arbeitsaufwand und Leistungspunkte

Applied Deep Learning in Engineering (Übung)

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

Applied Deep Learning in Engineering (Vorlesung)

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

Der Aufwand des Moduls summiert sich zu 180 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

- Vorlesung: Vorlesung zur Vermittlung der Lehrinhalte und Zusammenhänge als Frontalunterricht mit vielen Beispielen aus der Praxis und interaktiven Fragen.

- Übung: praktische und angeleitete Umsetzung von Programmieraufgaben in der Programmiersprache Python sowie Übungen in Kleingruppen zur Vertiefung und Anwendung des Vorlesungsstoffes.

- Prüfung: schriftliche digitale Prüfung

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

- Grundlegende Statistik
- Fortgeschrittene Analysis (partielle Differenzierung, Gradientenberechnung) und lineare Algebra (Matrix- und Tensormultiplikation, Projektionsverfahren, Matrixzerlegung).
- Grundlegende Konzepte und Methoden der sequentiellen/objektorientierten Programmierung
- Beherrschung der Programmiersprache Python

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformSchriftliche Prüfung
SpracheEnglisch
Dauer/Umfang90min

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

Anmeldung zur Prüfung nach der AllgStuPO in QISPOS oder Moses. Zugang zum Lehrmaterial und Anmeldung zum Kurs über die E-Learning-Plattform ISIS.

Literaturhinweise, Skripte

Skript in Papierform

nicht verfügbar

Skript in elektronischer Form

verfügbar

Empfohlene Literatur

Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOSemesterStudiengangsbereich
Biomedizinische Technik
StuPO 2018
SoSe 20252. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018
SoSe 20255. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
SoSe 20251. Kernbereich 1: Informatik und Mathematik
Fahrzeugtechnik
StuPO 2017
SoSe 20252. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden
Luft- und Raumfahrttechnik
StuPO 2018
SoSe 20251. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering
Maschinenbau
StuPO 2017
WiSe 2023/24Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
SoSe 2024Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
WiSe 2024/25Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
SoSe 2025Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
Maschinenbau
StuPO 2017
WiSe 2023/24Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
SoSe 2024Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
WiSe 2024/25Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
SoSe 2025Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
Physikalische Ingenieurwissenschaft
StuPO 09.01.2012
SoSe 202506. Schwerpunkte › 6.1 Numerik und Simulation
Physikalische Ingenieurwissenschaft
StuPO 2007 (19.12.2007)
SoSe 20252.1 Numerik und Simulation › 2.1b Ergänzungsbereich
Physikalische Ingenieurwissenschaft
StuPO 2020
SoSe 20252.1 Numerik und Simulation › 2.1b Ergänzungsbereich
Physikalische Ingenieurwissenschaft
StuPO 2020
SoSe 2025Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule
Technomathematik
StuPO 2014
SoSe 2025Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule
Verkehrswesen
StuPO 2018
SoSe 2025A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen
Wirtschaftsingenieurwesen
StuPO 2015
SoSe 2025Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems

Sonstiges

Keine Angabe