Angewandtes Deep Learning im IngenieurwesenModulbeschreibung #51077 / Version 2
- 6 LP
- Portfolioprüfung
- Benotet
- Wintersemester
- Englisch
| Modul / Version | #51077 / #2 |
|---|---|
| Gültigkeit | Seit WiSe 2025/26 |
| Verfügbare Sprache(n) | Englisch, Deutsch |
| Leistungspunkte | 6 |
| Modulverantwortliche*r | Stender, Merten |
| Benotung | Benotet |
| Prüfungsform | Portfolioprüfung |
| Lehrsprache(n) | Englisch |
Zugehörigkeit
| Fakultät | Fakultät V |
|---|---|
| Institut | Institut für Maschinenkonstruktion und Systemtechnik (IMS) |
| Fachgebiet | 35352200 FG Cyber-Physical-Systems in Mechanical Engineering |
Kontakt
| Sekretariat | H 66 |
|---|---|
| Ansprechpartner*in | Stender, Merten |
| E-Mail-Adresse | merten.stender@tu-berlin.de |
| Webseite | https://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-, faltenden und rekurrenten tiefen neuronalen Netzen, einschließlich Sequenzklassifizierung, Bildklassifizierung und Objekterkennung, gelehrt. Weiterhin werden Grundlagen des verstärkenden Lernens und generativer KI-Methoden vermittelt.
Nach erfolgreichem Abschluss des Moduls werden die Studierenden Folgendes erwerben:
Wissen:
- Fortgeschrittenes Verständnis von 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 Trainingsparameter, 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 zentralen Operationen 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.
- Bewertung der Generalisierungseigenschaften, Under- und Overfitting
- Auswertung von Vorhersagen, Stärken und Schwächen von neuronalen Lernmodellen.
- Bewertung von Risiken, Umweltauswirkungen und technologischen Implikationen.
Der Kurs vermittelt 60% Wissen und Verständnis, 20% Analyse und Methodik und 20% Programmierung.
Nach erfolgreichem Abschluss des Moduls werden die Studierenden Folgendes erwerben:
Wissen:
- Fortgeschrittenes Verständnis von 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 Trainingsparameter, 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 zentralen Operationen 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.
- Bewertung der Generalisierungseigenschaften, Under- und Overfitting
- Auswertung von Vorhersagen, Stärken und Schwächen von neuronalen Lernmodellen.
- 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 Lernen und Universelle Funktionsapproximatoren
- Datentypen und Datentypkonvertierung für die datengetriebene Modellierung
- Tiefe vorwärtsgerichtete künstliche neuronale Netze
- Gradientenabstiegsmethoden, Fehlerrückführung und Trainingsverfahren
- Klassen von faltenden neuronalen Netzen
- Klassen 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
- Überwachtes Lernen und Universelle Funktionsapproximatoren
- Datentypen und Datentypkonvertierung für die datengetriebene Modellierung
- Tiefe vorwärtsgerichtete künstliche neuronale Netze
- Gradientenabstiegsmethoden, Fehlerrückführung und Trainingsverfahren
- Klassen von faltenden neuronalen Netzen
- Klassen 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:
| Lehrveranstaltungen | Art | Nummer | Turnus | Sprache | SWS | VVZ |
|---|---|---|---|---|---|---|
| Applied Deep Learning in Engineering | Übung | Winter- und Sommersemester | [en] | 2 | WiSe 2026/27 (1) ISIS | |
| Applied Deep Learning in Engineering | Vorlesung | Winter- und Sommersemester | [en] | 2 | WiSe 2026/27 (1) ISIS |
Veranstaltungen im Vorlesungsverzeichnis
Veranstaltungen, die aus den Lehrveranstaltungen dieses Moduls angelegt wurden.
WiSe 2026/27 (2)
Applied Deep Learning in Engineering (Übung) 1
- Applied Deep Learning in Engineering (Übung) Termingruppe 1
Applied Deep Learning in Engineering (Vorlesung) 1
- Applied Deep Learning in Engineering (Vorlesung) Termingruppe 1
Arbeitsaufwand und Leistungspunkte
Applied Deep Learning in Engineering (Übung)
| Aufwandbeschreibung | Multiplikator | Stunden | Gesamt |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 3 h | 45 h |
| Deep Learning Projekt, Abgabe, Kommentierung | 1 | 15 h | 15 h |
| 90 h | |||
Applied Deep Learning in Engineering (Vorlesung)
| 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 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.
- Portfolio-Prüfung: 1) schriftliche digitale Prüfung (50 Pkt), 2) Abgabe eines trainierten Deep-Learning-Modells inkl. Trainingsroutinen (25 Pkt), 3) Kommentierung des Modells und seiner Eigenschaften in schriftlicher (1 Seite) oder videographischer Form (3min) (25 Pkt).
Die Studierenden geben ein auf bereitgestellten Daten trainiertes Modell ab, welches dann auf einen neuen Datensatz angewandt wird. Die Studierenden geben weiterhin eine Prognose ab, welche Güte das Modell haben wird. Die Ergebnisse der Modellevaluation werden den Studierenden mitgeteilt. Die Kommentierung soll die gewählte Modellstruktur mit den Evaluationsergebnissen in Zusammenhang bringen.
- Übung: praktische und angeleitete Umsetzung von Programmieraufgaben in der Programmiersprache Python sowie Übungen in Kleingruppen zur Vertiefung und Anwendung des Vorlesungsstoffes.
- Portfolio-Prüfung: 1) schriftliche digitale Prüfung (50 Pkt), 2) Abgabe eines trainierten Deep-Learning-Modells inkl. Trainingsroutinen (25 Pkt), 3) Kommentierung des Modells und seiner Eigenschaften in schriftlicher (1 Seite) oder videographischer Form (3min) (25 Pkt).
Die Studierenden geben ein auf bereitgestellten Daten trainiertes Modell ab, welches dann auf einen neuen Datensatz angewandt wird. Die Studierenden geben weiterhin eine Prognose ab, welche Güte das Modell haben wird. Die Ergebnisse der Modellevaluation werden den Studierenden mitgeteilt. Die Kommentierung soll die gewählte Modellstruktur mit den Evaluationsergebnissen in Zusammenhang bringen.
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).
- Grundlegende Konzepte und Methoden der sequentiellen/objektorientierten Programmierung
- Beherrschung der Programmiersprache Python
- Fortgeschrittene Analysis (partielle Differenzierung, Gradientenberechnung) und lineare Algebra (Matrix- und Tensormultiplikation, Projektionsverfahren).
- 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
| Benotung | Benotet |
|---|---|
| Prüfungsform | Portfolioprüfung |
| Art der Portfolioprüfung | 100 Punkte insgesamt |
| Sprache | Englisch |
Prüfungselemente
| Name | Punkte/Gewicht | Kategorie | Dauer/Umfang |
|---|---|---|---|
| Schriftliche digitale Prüfung | 50 | schriftlich | 60 |
| Abgabe Deep Learning Modell | 25 | praktisch | 30 |
| Bewertung des abgegebenen Modells | 25 | flexibel | 20 |
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 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 / StuPO | Semester | Studiengangsbereich |
|---|---|---|
| Automotive Systems StuPO 2017 | SoSe 2026 | Wahlpflichtbereich |
| WiSe 2026/27 | Wahlpflichtbereich | |
| Biomedizinische Technik StuPO 2018 | WiSe 2025/26 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen |
| SoSe 2026 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| WiSe 2026/27 | 2. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen | |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 | WiSe 2025/26 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik |
| SoSe 2026 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik | |
| WiSe 2026/27 | 5. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik | |
| Computational Engineering Science (Informationstechnik im Maschinenwesen) StuPO 2018 (17.01.2018) | WiSe 2025/26 | 1. Kernbereich 1: Informatik und Mathematik |
| SoSe 2026 | 1. Kernbereich 1: Informatik und Mathematik | |
| WiSe 2026/27 | 1. Kernbereich 1: Informatik und Mathematik | |
| Fahrzeugtechnik StuPO 2017 | WiSe 2025/26 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden |
| SoSe 2026 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden | |
| WiSe 2026/27 | 2. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden | |
| Luft- und Raumfahrttechnik StuPO 2018 | WiSe 2025/26 | 1. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering |
| SoSe 2026 | 1. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering | |
| WiSe 2026/27 | 1. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering | |
| Maschinenbau StuPO 2017 | WiSe 2025/26 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung |
| SoSe 2026 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| WiSe 2026/27 | Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung | |
| Maschinenbau StuPO 2017 | WiSe 2025/26 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung |
| SoSe 2026 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| WiSe 2026/27 | Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung | |
| Physikalische Ingenieurwissenschaft StuPO 09.01.2012 | WiSe 2025/26 | 06. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule |
| SoSe 2026 | 06. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule | |
| Physikalische Ingenieurwissenschaft StuPO 2007 (19.12.2007) | WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| Physikalische Ingenieurwissenschaft StuPO 2020 | WiSe 2025/26 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich |
| SoSe 2026 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| WiSe 2026/27 | 2.1 Numerik und Simulation › 2.1b Ergänzungsbereich | |
| Physikalische Ingenieurwissenschaft StuPO 2020 | WiSe 2025/26 | Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule |
| SoSe 2026 | Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule | |
| WiSe 2026/27 | Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule | |
| Technomathematik StuPO 2014 | WiSe 2025/26 | Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule |
| SoSe 2026 | Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule | |
| WiSe 2026/27 | Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule | |
| Verkehrswesen StuPO 2018 | WiSe 2025/26 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen |
| SoSe 2026 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen | |
| WiSe 2026/27 | A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen | |
| Wirtschaftsingenieurwesen StuPO 2015 | WiSe 2025/26 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems |
| SoSe 2026 | Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems | |
| WiSe 2026/27 | Ingenieurwissenschaftliche 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