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

Angewandtes Deep Learning im Ingenieurswesen

Zur Modulseite PDF generieren

#51077 / #1

WiSe 2023/24 - SoSe 2025

Englisch

Applied Deep Learning in Engineering
Angewandtes Deep Learning im Ingenieurswesen

6

Stender, Merten

Benotet

Schriftliche Prüfung

Englisch

Zugehörigkeit


Fakultät V

Institut für Maschinenkonstruktion und Systemtechnik (IMS)

35352200 FG Cyber-Physical-Systems in Mechanical Engineering

Maschinenbau

Kontakt


H 66

Stender, Merten

merten.stender@tu-berlin.de

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-, Faltungsoperationen und rekurrenten tiefen neuronalen Netzen, einschließlich Sequenzklassifizierung, Bildklassifizierung und Objekterkennung, gelehrt. Nach erfolgreichem Abschluss des Moduls werden die Studierenden Folgendes erwerben: Wissen: - Fortgeschrittenes Verständnis von (un-) 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 Trainingsparametern, 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 Kernoperationen 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. - Auswertung von Vorhersagen, Bewertung von Verzerrungen und Varianz in komplexen tiefen neuronalen Netzen. - 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 und unüberwachtes Lernen - Datentypen und Datentypkonvertierung für die datengetriebene Modellierung - Tiefe vorwärtsgerichtete künstliche neuronale Netze - Gradientenabstiegsmethoden, Fehlerrückführung und Trainingsverfahren - Familien von faltenden neuronalen Netzen - Familien 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:

LehrveranstaltungenArtNummerTurnusSpracheSWS ISIS VVZ
Applied Deep Learning in EngineeringUEWiSe/SoSeen2
Applied Deep Learning in EngineeringVLWiSe/SoSeen2
ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Applied Deep Learning in Engineering (UE):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)

Applied Deep Learning in Engineering (VL):

AufwandbeschreibungMultiplikatorStundenGesamt
Präsenzzeit15.02.0h30.0h
Vor-/Nachbereitung15.04.0h60.0h
90.0h(~3 LP)
Der Aufwand des Moduls summiert sich zu 180.0 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. - Prüfung: schriftliche digitale Prüfung

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, Matrixzerlegung). - 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

Schriftliche Prüfung

Sprache(n)

Englisch

Dauer/Umfang

Keine Angabe

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 QISPOS oder Moses. Zugang zum Lehrmaterial und Anmeldung zum Kurs über die E-Learning-Plattform ISIS.

Literaturhinweise, Skripte

Skript in Papierform

Verfügbarkeit:  nicht verfügbar

 

Skript in elektronischer Form

Verfügbarkeit:  verfügbar

 

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge


Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPOStuPOsVerwendungenErste VerwendungLetzte Verwendung
Biomedizinische Technik (M. Sc.)14WiSe 2024/25SoSe 2025
Computational Engineering Science (Informationstechnik im Maschinenwesen) (B. Sc.)14WiSe 2023/24SoSe 2025
Computational Engineering Science (Informationstechnik im Maschinenwesen) (M. Sc.)12WiSe 2024/25SoSe 2025
Fahrzeugtechnik (M. Sc.)14WiSe 2023/24SoSe 2025
Luft- und Raumfahrttechnik (M. Sc.)14WiSe 2023/24SoSe 2025
Maschinenbau (B. Sc.)15WiSe 2023/24SoSe 2025
Maschinenbau (M. Sc.)15WiSe 2023/24SoSe 2025
Physikalische Ingenieurwissenschaft (B. Sc.)214WiSe 2023/24SoSe 2025
Physikalische Ingenieurwissenschaft (M. Sc.)26SoSe 2024SoSe 2025
Technomathematik (M. Sc.)14WiSe 2023/24SoSe 2025
Verkehrswesen (B. Sc.)14WiSe 2023/24SoSe 2025
Wirtschaftsingenieurwesen (M. Sc.)11SoSe 2025SoSe 2025

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe