1. Modulverzeichnis (MTS)
  2. Module
  3. Modulbeschreibung anzeigen

Deep Learning 1

Zur Modulseite PDF generieren

#41071 / #1

Seit WiSe 2022/23

English

Deep Learning 1

6

Montavon, Gregoire

Benotet

Schriftliche Prüfung

English

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352000 FG Maschinelles Lernen

Keine Angabe

Kontakt


MAR 4-1

Eberle, Oliver

oliver.eberle@tu-berlin.de

https://web.ml.tu-berlin.de/teaching/courses/

Lernergebnisse

Understanding of the foundations of neural networks and deep learning, including optimization and regularization aspects. Understanding of the most popular deep neural network architectures used in practice (e.g. convolutional neural networks). Ability to implement a neural network using common deep learning frameworks.

Lehrinhalte

Foundations of neural networks, including the perceptron, multi-layer perceptrons, activation functions, loss functions, error backpropagation, and the questions of optimization and regularization. Common optimization techniques such as SGD, momentum, and RMSProp. Common regularization techniques such as weight decay, dropout, and Lipschitz constraints. Presentation of popular architectures, such as the convolutional neural network, autoencoders, and recurrent neural networks. Introduction to the PyTorch deep learning framework.

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Deep Learning 1 - mainIVWiSeen4
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Deep Learning 1 - main (IV):

AufwandbeschreibungMultiplikatorStundenGesamt
Concepts & Theory10.06.0h60.0h
Exercises10.06.0h60.0h
Programming10.06.0h60.0h
180.0h(~6 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

The module will consist of weekly lectures accompanied with weekly homeworks.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

There are no formal prerequisites. However, prior knowledge of multivariate calculus and Python programming will be assumed. Basic knowledge of machine learning is also desirable.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Voraussetzung
Leistungsnachweis »Unbenoteter Übungsschein«

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Written exam

Sprache(n)

English

Dauer/Umfang

120 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

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  nicht verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Computational Engineering Science (Informationstechnik im Maschinenwesen) (M. Sc.)15SoSe 2023SoSe 2025
Computer Engineering (M. Sc.)118WiSe 2022/23SoSe 2025
Computer Science (Informatik) (M. Sc.)124WiSe 2022/23SoSe 2025
Elektrotechnik (M. Sc.)112WiSe 2022/23SoSe 2025
Information Systems Management (Wirtschaftsinformatik) (M. Sc.)16WiSe 2022/23SoSe 2025

Sonstiges

Keine Angabe