Zum Inhalt springen
Technische Universität Berlin English
Vorlesungsverzeichnis und Modultransfersystem

Angewandtes Deep Learning im IngenieurwesenModulbeschreibung #51077 / Version 2

← Zur Modulseite English version
Modul / Version#51077 / #2
GültigkeitSeit WiSe 2025/26
Verfügbare Sprache(n)Englisch, Deutsch
Leistungspunkte6
Modulverantwortliche*rStender, Merten
BenotungBenotet
PrüfungsformPortfolioprüfung
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-, 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.

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

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-/Nachbereitung153 h45 h
Deep Learning Projekt, Abgabe, Kommentierung115 h15 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.

- 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

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Dieses Modul hat keine Prüfungsvoraussetzungen.

Abschluss des Moduls

BenotungBenotet
PrüfungsformPortfolioprüfung
Art der Portfolioprüfung100 Punkte insgesamt
SpracheEnglisch

Prüfungselemente

NamePunkte/GewichtKategorieDauer/Umfang
Schriftliche digitale Prüfung50schriftlich60
Abgabe Deep Learning Modell25praktisch30
Bewertung des abgegebenen Modells25flexibel20

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 / StuPOSemesterStudiengangsbereich
Automotive Systems
StuPO 2017
SoSe 2026Wahlpflichtbereich
WiSe 2026/27Wahlpflichtbereich
Biomedizinische Technik
StuPO 2018
WiSe 2025/262. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen
SoSe 20262. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen
WiSe 2026/272. Wahlpflichtmodule › 2.2 Ingenieurwissenschaftliche Vertiefungen
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018
WiSe 2025/265. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik
SoSe 20265. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik
WiSe 2026/275. Ingenieurwissenschaftliche Wahlpflichtmodule › 5.5 Informationstechnik
Computational Engineering Science (Informationstechnik im Maschinenwesen)
StuPO 2018 (17.01.2018)
WiSe 2025/261. Kernbereich 1: Informatik und Mathematik
SoSe 20261. Kernbereich 1: Informatik und Mathematik
WiSe 2026/271. Kernbereich 1: Informatik und Mathematik
Fahrzeugtechnik
StuPO 2017
WiSe 2025/262. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden
SoSe 20262. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden
WiSe 2026/272. Profilmodule › 2.3 Ingenieurtechnische Grundlagen und Methoden
Luft- und Raumfahrttechnik
StuPO 2018
WiSe 2025/261. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering
SoSe 20261. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering
WiSe 2026/271. Ingenieurwissenschaftliche Methoden › 1.4 Regelungstechnik, Elektronik und Software-Engineering
Maschinenbau
StuPO 2017
WiSe 2025/26Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
SoSe 2026Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
WiSe 2026/27Wahlpflichtmodule › Profilmodule › Informationstechnische und rechnergestützte Modellierung
Maschinenbau
StuPO 2017
WiSe 2025/26Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
SoSe 2026Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
WiSe 2026/27Wahlpflichtmodule › Schwerpunktmodule › Methodenorientierung › Informationstechnische und rechnerunterstützte Modellierung
Physikalische Ingenieurwissenschaft
StuPO 09.01.2012
WiSe 2025/2606. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule
SoSe 202606. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule
Physikalische Ingenieurwissenschaft
StuPO 2007 (19.12.2007)
WiSe 2025/262.1 Numerik und Simulation › 2.1b Ergänzungsbereich
SoSe 20262.1 Numerik und Simulation › 2.1b Ergänzungsbereich
Physikalische Ingenieurwissenschaft
StuPO 2020
WiSe 2025/262.1 Numerik und Simulation › 2.1b Ergänzungsbereich
SoSe 20262.1 Numerik und Simulation › 2.1b Ergänzungsbereich
WiSe 2026/272.1 Numerik und Simulation › 2.1b Ergänzungsbereich
Physikalische Ingenieurwissenschaft
StuPO 2020
WiSe 2025/26Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule
SoSe 2026Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule
WiSe 2026/27Wahlpflichtmodule › 6. Schwerpunkte › 6.3 Mechatronik › Wahlpflichtmodule
Technomathematik
StuPO 2014
WiSe 2025/26Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule
SoSe 2026Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule
WiSe 2026/27Studienrichtungen › Maschinenbau › Maschinenbau › Profilmodule
Verkehrswesen
StuPO 2018
WiSe 2025/26A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen
SoSe 2026A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen
WiSe 2026/27A. Grundlagen › 2. Wahlpflichtbereich › 2.3.1 Informationstechnische Grundlagen
Wirtschaftsingenieurwesen
StuPO 2015
WiSe 2025/26Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
SoSe 2026Ingenieurwissenschaftliche Studienrichtungen/Engineering Majors › Informations- und Kommunikationssysteme/Information and Communication Systems (IKS) › Informations- und Kommunikationssysteme/Information and Communication Systems (Wahlpflicht/Compulsory-Elective) › Cognitive Systems
WiSe 2026/27Ingenieurwissenschaftliche 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