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

Deep Learning 1

Zur Modulseite PDF generieren

#41071 / #2

Seit WiSe 2025/26

Deutsch, Englisch

Deep Learning 1

6

Müller, Klaus-Robert

Benotet

Schriftliche Prüfung

Englisch

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

Verständnis der Grundlagen neuronaler Netze und Deep Learning, einschließlich Optimierungs- und Regularisierungsaspekten. Verständnis der in der Praxis verwendeten gängigen Architekturen für tiefe neuronale Netze (z. B. Convolutional Neural Networks). Fähigkeit, ein neuronales Netz unter Verwendung gängiger Deep-Learning-Frameworks zu implementieren.

Lehrinhalte

Grundlagen neuronaler Netze, einschließlich Perzeptron, multi-layer perceptrons, Aktivierungsfunktionen, loss functions, error backpropagation, und die Fragen der Optimierung und Regularisierung. Gängige Optimierungstechniken wie SGD, Momentum und RMSProp. Gängige Regularisierungstechniken wie weight decay, Dropout und Lipschitz-Beschränkungen. Vorstellung beliebter Architekturen wie das Convolutional Neural Network, Autoencoder und rekurrente neuronale Netze. Deep-Learning-Framework PyTorch.

Modulbestandteile

Pflichtbereich

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
Konzepte & Theorie10.06.0h60.0h
60.0h(~2 LP)

Lehrveranstaltungsunabhängiger Aufwand:

AufwandbeschreibungMultiplikatorStundenGesamt
Durchführung semesterbegleitender Leistungsscheine3.030.0h90.0h
Vorbereitung Prüfung1.030.0h30.0h
120.0h(~4 LP)
Der Aufwand des Moduls summiert sich zu 180.0 Stunden. Damit umfasst das Modul 6 Leistungspunkte.

Beschreibung der Lehr- und Lernformen

Das Modul besteht aus wöchentlichen Vorlesungen, die von wöchentlichen Hausaufgaben begleitet werden.

Voraussetzungen für die Teilnahme / Prüfung

Wünschenswerte Voraussetzungen für die Teilnahme an den Lehrveranstaltungen:

Es gibt keine formalen Voraussetzungen. Allerdings werden Vorkenntnisse in multivariater Analysis und Python-Programmierung vorausgesetzt. Grundkenntnisse im Bereich maschinelles Lernen sind ebenfalls wünschenswert.

Verpflichtende Voraussetzungen für die Modulprüfungsanmeldung:

Voraussetzung
Leistungsnachweis »Unbenoteter Übungsschein«

Abschluss des Moduls

Benotung

Benotet

Prüfungsform

Schriftliche Prüfung

Sprache(n)

Englisch

Dauer/Umfang

120 Minuten

Prüfungsbeschreibung (Abschluss des Moduls)

“Leistungsnachweis »Unbenoteter Übungsschein«, der durch die Teilnahme an einer Übungsgruppe und das Bestehen von mindestens 6 (von insgesamt 11) Übungsblättern mit jeweils mindestens 50 % der Punkte erworben wird.“

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

Die Lehrmaterialien und Informationen zum Kursaufbau werden über ISIS zur Verfügung gestellt. Die Anmeldung zur Prüfung erfolgt über das offizielle Anmeldesystem der TU Berlin. Bitte beachten Sie unbedingt die für Ihren Studiengang geltenden Regelungen.

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
Dieses Modul findet in keinem Studiengang Verwendung.

Sonstiges

Keine Angabe