Deep Learning

Ein Beispiel wie generative Deep Learning Modelle genutzt werden können um eine Bildgebungsmodalität in eine andere zu überführen. Übernommen und angepasst von Irvine et al. (2025) https://arxiv.org/abs/2509.09235

Tauchen Sie ein in die faszinierende Welt des Deep Learning! In diesem Kurs entdecken Sie die modernen Methoden und Architekturen, die heute wissenschaftliche Innovationen auch im Ingenieurwesen antreiben. Von Neuronen und Multilayer Perceptrons über Regularisierung & Optimierung, Convolutional Neural Networks und Recurrent Neural Networks bis hin zu (variationalen) Autoencodern, GANs, Diffusionsmodellen, Transfer Learning und auch Large Language Models – dieser Kurs deckt das gesamte Spektrum ab.

Am Ende des Kurses werden Sie
✨ die grundlegenden Methoden und Architekturen des Deep Learning erklären können – mit direktem Bezug zum Ingenieurwesen,
✨ verschiedene Netzwerke und Modelle in einem Python-basierten Deep-Learning-Framework wie PyTorch implementieren und damit konkrete fachliche Fragestellungen lösen können,
✨ die Modellresultate kritisch bewerten und im wissenschaftlichen Anwendungskontext sicher interpretieren können.

Entdecken Sie, wie Deep Learning die Materialforschung revolutioniert – und gestalten Sie diese Zukunft aktiv mit! 

Lern- und Qualifikationsziele

  • Die Studierenden werden in der Lage sein, die grundlegenden Methoden und Architekturen des Deep Learning sowie deren Anwendung in der Materialwissenschaft und Ingenieurwesen zu erklären.
  • Die Studierenden werden die verschiedenen Netzwerke und Modelle in einem Python-basierten Deep-Learning-Framework (z. B. PyTorch) implementieren können, um eine spezifische fachliche Fragestellung zu lösen.
  • Auf Grundlage der Modellresultate sind die Studierenden in der Lage, die Ergebnisse kritisch zu bewerten und im Anwendungskontext zu interpretieren.

Inhalte der Lehrveranstaltung

  1. Neuronen und Multilayer Perceptron
  2. Regularisierung und Optimierung
  3. Convolutional Neural Networks
  4. Recurrent Neural Networks
  5. (Variationale) Autoencoder
  6. Generative Adversarial Networks
  7. Diffusionsmodelle
  8. Transfer Learning
  9. Large Language Modelle

Hinweise

  • Die Lehrveranstaltung wird auf Englisch gehalten
  • Alle Übungen werden praktisch in JupyterHubs durchgeführt
  • Als Voraussetzung für die Vorlesung werden empfohlen: Kenntnisse entsprechend der Module „Mathematik für Ingenieure 1-3“, „Einführung in die Programmierung“, und „Einführung in die data science“
  • Die Bearbeitung einer Praxisaufgabe, deren Vorstellung und die Abgabe eines Berichts sind Prüfungsvorleistungen
  • Die Prüfungsleistung ist eine mündliche Prüfung