Sommersemester 2026

Deep Learning: Architectures & Methods

Wir tauchen tief in moderne neuronale Netze ein: Optimisation, CNNs, RNNs, Transformer, generative Modelle und verantwortungsvolle Anwendung. Ergänzt durch praktische Labs und optionale Projekte.

Zurück zur Lehrübersicht Zum Moodle-Kurs
Neural network illustration

Organisatorisches

  • Moodle: Kommunikation, Materialien, Aufgaben und Projektabgaben laufen über den Moodle-Kurs. Bitte melden Sie sich frühzeitig an.
  • Vorlesung: Montags, 11:40 – 13:20 Uhr, S3|06 / 051.
  • Übungen: Mittwochs, 11:40 – 13:20 Uhr, S2|02 / C205.
  • Sprache: Englisch.

Team & Kontakt

Motivation & Inhalte

Deep Learning treibt aktuelle KI-Systeme in Vision, Sprache, Robotik und Wissenschaft. Wir kombinieren Video-basierte Selbststudien mit vertiefenden Präsenzsitzungen, Diskussionen und Coding-Labs.

Die Lehrveranstaltung folgt u. a. den Kursen CS231n (Stanford) sowie CS182/282A (Berkeley). Zu jeder Woche sehen Sie ausgewählte Videos, bereiten Fragen vor und diskutieren diese in der Vorlesung. Ergänzend stellen wir eigene Folien, Tutorien und Projekte bereit.

Optimisation

Gradientenverfahren, Adaptive Optimizer, Regularisierung und Trainingstricks.

Architekturen

CNNs, RNNs/LSTMs, Attention, Transformer & Multimodalität.

Generative KI

VAEs, Flows, GANs, probabilistische Schaltkreise und Diffusion.

Praxis & Verantwortung

Notebook-Tutorials, Projekte, ethische Fragestellungen und sichere Anwendungen.

Vorlesungsplan

Bitte prüfen Sie den Moodle-Kurs für kurzfristige Änderungen. Ein Stern kennzeichnet das jeweils erwartete Hauptvideo.

Hinweis: Folien, Aufzeichnungen, Aufgabenstellungen und Projektinformationen stellen wir ausschließlich im Moodle-Kurs (Login erforderlich) bereit.

# Datum Thema Videos & Ressourcen Folien
1 Einführung 13.04.2026 Kursüberblick, Computer Vision, historische Motivation. *CS231n Lecture 1
Dive Deep into DL (Smola) 		.pdf
Self-Study 20.04.2026 Bildklassifikation, kNN, Evaluierung, lineare Modelle. *CS231n Lecture 2
*CS231n Lecture 3 		.pdf (kNN)
.pdf (linear)
2 Optimisation 20.04.2026 SGD, Momentum, Adam, praktische Trainingsstrategien. *CS231n Lecture 6
*CS231n Lecture 7 		.pdf
3 Backpropagation 27.04.2026 Autodiff, Regularisierung, Hyperparameter. *CS231n Lecture 4
CSW182/282A Lecture 5 		.pdf
4 Training 1 04.05.2026 Aktivierungsfunktionen, Normalisierung, Initialisierung. *CS231n Lecture 5 .pdf
.pdf
5 Training 2 11.05.2026 Aktivierungsfunktionen, Normalisierung, Initialisierung. *CS231n Lecture 5 .pdf
.pdf
6 CNNs 1 18.05.2026 Convolution, Pooling, moderne Architekturen. CSW182/282A Lecture 6 .pdf
7 CNNs 2 01.06.2026 ResNet, GoogLeNet, Detection, Skip-Connections. *CS231n Lecture 9 .pdf
8 RNNs 08.06.2026 LSTMs, GRUs, Sprachmodelle, Seq2Seq. *CS231n Lecture 10 .pdf
9 Generative 15.06.2026 Autoencoder, GANs, Probabilistische Modelle. *CS231n Lecture 13 .pdf
10 Diffusion Models 22.06.2026 Background, Training and Inference Stanford CME296 Diffusion & Large Vision Models .pdf (ours)
11 Prob. Circuits 29.06.2026 Sum-Product Networks, Arithmetic Circuits. SPNs Poupart .pdf (ours)
12 Deep NLP 06.07.2026 Word2Vec, Attention, Transformers. CSW182/282A Lect 12 CSW182/282A Lect 13 Transformer Poupart .pdf .pdf .pdf
13 Q&A 13.07.2026 Klausurvorbereitung & Projektfragen.

Zusätzliche Aufzeichnungen vergangener Semester sind im Moodle-Archiv verlinkt.

Assignments & Übungen

Neben dem wöchentlichen „5-Questions“-Format bearbeiten Sie optionale Coding-Tutorials und ein frei wählbares Deep-Learning-Projekt.

Alle aktuellen Aufgaben, Vorlagen und Projekt-Updates finden Sie im Moodle-Kurs (Login erforderlich).