263-3210-00L  Deep Learning

SemesterHerbstsemester 2023
DozierendeT. Hofmann, N. Perraudin
Periodizitätjährlich wiederkehrende Veranstaltung


263-3210-00 VDeep Learning3 Std.
Mi13:15-14:00ML D 28 »
Do14:15-16:00ML D 28 »
T. Hofmann, N. Perraudin
263-3210-00 UDeep Learning2 Std.
Mo16:15-18:00HG G 5 »
Mi16:15-18:00HG G 5 »
T. Hofmann, N. Perraudin
263-3210-00 ADeep Learning2 Std.T. Hofmann, N. Perraudin


KurzbeschreibungDeep learning is an area within machine learning that deals with algorithms and models that automatically induce multi-level data representations.
LernzielIn recent years, deep learning and deep networks have significantly improved the state-of-the-art in many application domains such as computer vision, speech recognition, and natural language processing. This class will cover the mathematical foundations of deep learning and provide insights into model design, training, and validation. The main objective is a profound understanding of why these methods work and how. There will also be a rich set of hands-on tasks and practical projects to familiarize students with this emerging technology.
Voraussetzungen / BesonderesThis is an advanced level course that requires some basic background in machine learning. More importantly, students are expected to have a very solid mathematical foundation, including linear algebra, multivariate calculus, and probability. The course will make heavy use of mathematics and is not (!) meant to be an extended tutorial of how to train deep networks with tools like Torch or Tensorflow, although that may be a side benefit.

The participation in the course is subject to the following condition:
- Students must have taken the exam in Advanced Machine Learning (252-0535-00) or have acquired equivalent knowledge, see exhaustive list below:

Advanced Machine Learning

Computational Intelligence Lab

Introduction to Machine Learning

Statistical Learning Theory

Computational Statistics

Probabilistic Artificial Intelligence


Information zur Leistungskontrolle (gültig bis die Lerneinheit neu gelesen wird)
Leistungskontrolle als Semesterkurs
ECTS Kreditpunkte8 KP
PrüfendeT. Hofmann, N. Perraudin
RepetitionDie Leistungskontrolle wird nur in der Session nach der Lerneinheit angeboten. Die Repetition ist nur nach erneuter Belegung möglich.
Prüfungsmodusschriftlich 120 Minuten
Zusatzinformation zum PrüfungsmodusThere is a mandatory project (40 hours).
Grade = 0.7 exam + 0.3 project
Hilfsmittel schriftlichlimited aids (4 x A4 pages of notes)
Online-PrüfungDie Prüfung kann am Computer stattfinden.
FernprüfungDas Ablegen als Fernprüfung ist nicht möglich.
Diese Angaben können noch zu Semesterbeginn aktualisiert werden; verbindlich sind die Angaben auf dem Prüfungsplan.


Es werden nur die öffentlichen Lernmaterialien aufgeführt.


Keine Informationen zu Gruppen vorhanden.


PlätzeMaximal 320
WartelisteBis 07.10.2023

Angeboten in

Biomedical Engineering MasterWahlfächer der VertiefungWInformation
CAS in InformatikVertiefungsfächer und WahlfächerWInformation
Cyber Security MasterKernfächerWInformation
Cyber Security MasterWahlfächerWInformation
DAS in Data ScienceMachine Learning and Artificial IntelligenceWInformation
DAS in Data ScienceBig Data SystemsWInformation
Data Science MasterFachspezifische WahlfächerWInformation
Data Science MasterWählbare KernfächerWInformation
Doktorat BiosystemeVertiefung FachwissenWInformation
Elektrotechnik und Informationstechnologie MasterAdvanced Core CoursesWInformation
Informatik MasterKernfächerWInformation
Informatik MasterErgänzung in Computer VisionWInformation
Informatik MasterWahlfächerWInformation
Informatik MasterErgänzung in Data ManagementWInformation
Informatik MasterErgänzung in Machine LearningWInformation
Mathematik MasterMachine LearningWInformation
Rechnergestützte Wissenschaften BachelorRobotikWInformation
Rechnergestützte Wissenschaften MasterRobotikWInformation
Science, Technology, and Policy MasterDaten und InformationstechnologieWInformation
Statistik MasterFachbezogene WahlfächerWInformation