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

Deep Learning 2

Zur Modulseite PDF generieren

#41072 / #2

Seit WiSe 2023/24

English

Deep Learning 2

6

Müller, Klaus-Robert

Benotet

Schriftliche Prüfung

English

Zugehörigkeit


Fakultät IV

Institut für Softwaretechnik und Theoretische Informatik

34352000 FG Maschinelles Lernen

Keine Angabe

Kontakt


MAR 4-1

Vandermeulen, Robert Anton

vandermeulen@tu-berlin.de

http://wiki.ml.tu-berlin.de/wiki/

Lernergebnisse

Understanding of advanced techniques of deep learning, including the application of mathematical concepts such as differential equations, group theory and fix-point iteration in neural networks. Understanding of advanced deep neural network architectures used in practice (e.g. GANs, Transformer, normalizing flows, equivariant neural networks). Ability to implement advanced neural networks using common deep learning frameworks.

Lehrinhalte

Advanced techniques such as self-attention, equivariant convolutions, deep equilibrium networks, generative adversarial networks, neural differential equations and normalizing flows. Application of machine learning techniques such as self-supervised / autoregressive learning, density estimation, anomaly detection and reinforcement learning in neural networks. Approaches to accelerate and deploy neural network, such as distillation, quantization, and factorization.

Modulbestandteile

Compulsory area

Die folgenden Veranstaltungen sind für das Modul obligatorisch:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Deep Learning 2 - mainIVSoSeen4
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Deep Learning 2 - 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, the module builds on the module Deep Learning 1. Therefore basic knowledge of machine learning and neural networks is desirable. Prior knowledge multivariate calculus, probability theory and Python programming will be assumed.

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:
Sommersemester.

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:  verfügbar
Zusätzliche Informationen:

 

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.)14WiSe 2023/24SoSe 2025
Computer Engineering (M. Sc.)112WiSe 2023/24SoSe 2025
Computer Science (Informatik) (M. Sc.)116WiSe 2023/24SoSe 2025
Elektrotechnik (M. Sc.)18WiSe 2023/24SoSe 2025
Information Systems Management (Wirtschaftsinformatik) (M. Sc.)14WiSe 2023/24SoSe 2025

Sonstiges

Keine Angabe