Moses - Angewandtes Deep Learning im Ingenieurwesen

Zur Modulseite PDF generieren

Modul / Version
#51077 / #2

Gültigkeit
Seit WiSe 2025/26

Verfügbare Sprache(n)
Deutsch, Englisch

Titel des Moduls
Applied Deep Learning in Engineering
Angewandtes Deep Learning im Ingenieurwesen

Leistungspunkte
6

Modulverantwortliche*r
Stender, Merten

Benotung
Benotet

Prüfungsform
Portfolioprüfung

Lehrsprache(n)
Englisch

Zugehörigkeit

Fakultät
Fakultät V

Institut
Institut für Maschinenkonstruktion und Systemtechnik (IMS)

Fachgebiet
35352200 FG Cyber-Physical-Systems in Mechanical Engineering

Prüfungsausschuss
Maschinenbau

Kontakt

Sekretariat
H 66

Ansprechpartner*in
Stender, Merten

E-Mail-Adresse
merten.stender@tu-berlin.de

Webseite

https://www.tu.berlin/cpsme

Diese Modulbeschreibung gilt nicht im aktuellen Semester.

Die Modulbeschreibung gilt nur für den Zeitraum Seit WiSe 2025/26. Die Version für das aktuelle Semester (SoSe 2025) finden Sie hier: Modulbeschreibung des SoSe 2025

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:

Lehrveranstaltungen	Art	Nummer	Turnus	Sprache	SWS	ISIS	VVZ
Applied Deep Learning in Engineering	UE		WiSe/SoSe	en	2
Applied Deep Learning in Engineering	VL		WiSe/SoSe	en	2

ISIS-Kurssuche nach Veranstaltungen des Moduls

Arbeitsaufwand und Leistungspunkte

Applied Deep Learning in Engineering (UE):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	3.0h	45.0h
Deep Learning Projekt, Abgabe, Kommentierung	1.0	15.0h	15.0h
			90.0h(~3 LP)

Applied Deep Learning in Engineering (VL):

Aufwandbeschreibung	Multiplikator	Stunden	Gesamt
Präsenzzeit	15.0	2.0h	30.0h
Vor-/Nachbereitung	15.0	4.0h	60.0h
			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. - 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

Benotung

Benotet

Prüfungsform

Portfolioprüfung

Art der Portfolioprüfung

100 Punkte insgesamt

Sprache(n)

Englisch

Prüfungselemente

Name	Punkte	Kategorie	Dauer/Umfang
Schriftliche digitale Prüfung	50	schriftlich	60
Abgabe Deep Learning Modell	25	praktisch	30
Bewertung des abgegebenen Modells	25	flexibel	20

Notenschlüssel

Notenschlüssel »Notenschlüssel 7: Fak V«

Gesamtpunktzahl	1.0	1.3	1.7	2.0	2.3	2.7	3.0	3.3	3.7	4.0
100.0pt	89.0pt	85.0pt	80.0pt	76.0pt	72.0pt	67.0pt	63.0pt	59.0pt	54.0pt	50.0pt

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

Verfügbarkeit: nicht verfügbar

Skript in elektronischer Form

Verfügbarkeit: verfügbar

Literatur

Empfohlene Literatur
Keine empfohlene Literatur angegeben

Zugeordnete Studiengänge

Semester:

Zeige auch ausgelaufene Studiengänge und StuPOs

Diese Modulversion wird in folgenden Studiengängen verwendet:

Studiengang / StuPO	StuPOs	Verwendungen	Erste Verwendung	Letzte Verwendung
Biomedizinische Technik (M. Sc.)	1	2	WiSe 2025/26	WiSe 2025/26
Computational Engineering Science (Informationstechnik im Maschinenwesen) (B. Sc.)	1	1	WiSe 2025/26	WiSe 2025/26
Computational Engineering Science (Informationstechnik im Maschinenwesen) (M. Sc.)	1	1	WiSe 2025/26	WiSe 2025/26
Fahrzeugtechnik (M. Sc.)	1	1	WiSe 2025/26	WiSe 2025/26
Luft- und Raumfahrttechnik (M. Sc.)	1	1	WiSe 2025/26	WiSe 2025/26
Maschinenbau (B. Sc.)	1	1	WiSe 2025/26	WiSe 2025/26
Maschinenbau (M. Sc.)	1	1	WiSe 2025/26	WiSe 2025/26
Physikalische Ingenieurwissenschaft (B. Sc.)	2	3	WiSe 2025/26	WiSe 2025/26
Physikalische Ingenieurwissenschaft (M. Sc.)	2	2	WiSe 2025/26	WiSe 2025/26
Technomathematik (M. Sc.)	1	1	WiSe 2025/26	WiSe 2025/26
Verkehrswesen (B. Sc.)	1	1	WiSe 2025/26	WiSe 2025/26

Studierende anderer Studiengänge können dieses Modul ohne Kapazitätsprüfung belegen.

Sonstiges

Keine Angabe