VVZ API is not affiliated with ETH Zurich. Data might be outdated or incorrect. Please view the official ETHZ Vorlesungsverzeichnis for binding information.
Deep Learning
Last Updated: 2026-06-01 11:30:43
Abstract
Deep learning is an area within machine learning that deals with algorithms and models that automatically induce multi-level data representations.
Objective
In 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.
Resources
Learning Materials (Links)
- Main link
- Information
- Recording
- Deep Learning
General Information
- Language
- English
- Levels
- BSC , DR , MSC , WBZ
- Frequency
- Yearly recurring
Examination
- Type
- session examination
- Mode
- written 120 minutes
- Aids
- limited aids (4 x A4 pages of notes)
- Digital
- The exam takes place on devices provided by ETH Zurich.
Registration & Places
- Max Places
- 320
Course Components
| Type | Title | Time & Place | Hours |
|---|---|---|---|
| lecture | Deep Learning |
|
3 h weekly |
| exercise | Deep Learning |
|
2 h weekly |
| independent project | Deep Learning | No time listed | 2 h weekly |
Offered In
-
-
-
Robotik (Höchstens eine der beiden Lerneinheiten 263-5902-00L Computer Vision bzw. 227-0447-00L Image Analysis and Computer Vision darf an das gesamte Studium (RW BSc und MSc) angerechnet werden. Höchstens eine der beiden Lerneinheiten 263-5210-00L Probabilistic Artificial Intelligence bzw. 252-0535-00L Advanced Machine Learning darf im Vertiefungsgebiet "Robotik" an das gesamte Studium (RW BSc und MSc) angerechnet werden. Eine Anrechnung der anderen Lerneinheit in einer anderen Kategorie ist jedoch zulässig.)
-
-
-
-
-
Robotik (Höchstens eine der beiden Lerneinheiten 263-5902-00L Computer Vision bzw. 227-0447-00L Image Analysis and Computer Vision darf an das gesamte Studium (RW BSc und MSc) angerechnet werden. Höchstens eine der beiden Lerneinheiten 263-5210-00L Probabilistic Artificial Intelligence bzw. 252-0535-00L Advanced Machine Learning darf im Vertiefungsgebiet "Robotik" an das gesamte Studium (RW BSc und MSc) angerechnet werden. Eine Anrechnung der anderen Lerneinheit in einer anderen Kategorie ist jedoch zulässig.)
-
-
-
-
-
-
Wahlfächer der Vertiefung (Diese Fächer sind für die Vertiefung in Bioelectronics besonders empfohlen. Bei abweichender Fächerwahl konsultieren Sie bitte den Track Adviser.)
-
-
-
-
-
-
-
Anwendungsgebiet (Nur für das Master-Diplom in Angewandter Mathematik erforderlich und anrechenbar. In der Kategorie Anwendungsgebiet für den Master in Angewandter Mathematik muss eines der zur Auswahl stehenden Anwendungsgebiete gewählt werden. Im gewählten Anwendungsgebiet müssen mindestens 8 KP erworben werden. Kreditpunkte aus anderen Anwendungsgebieten sind nicht für weitere Anwendungsgebiete anrechenbar.)
-
-
-
-
Vertiefung: Signal Processing and Machine Learning (The core courses and specialisation courses below are a selection for students who wish to specialise in the area of "Signal Processing and Machine Learning ", see . The individual study plan is subject to the tutor's approval.)
-
Vertiefungsfächer (These specialisation courses are particularly recommended for the area of "Signal Processing and Machine Learning", but you are free to choose courses from any other field in agreement with your tutor. A minimum of 40 credits must be obtained from specialisation courses during the MSc EEIT.)
-
-
-
-
Statistik Master (Die hier aufgelisteten Lehrveranstaltungen gehören zum Curriculum des Master-Studiengangs Statistik. Die entsprechenden KP gelten nicht als Mobilitäts-KP, auch wenn gewisse Lerneinheiten nicht an der ETH Zürich belegt werden können.)
-
-
Quantitative Finance Master (siehe Studierende im Joint Degree Master-Studiengang "Quantitative Finance" müssen Module der Universität Zürich direkt an der Universität Zürich buchen. Die entsprechenden Module sind hier nicht aufgelistet.)
-
-
Bereich MF (Mathematical Methods in Finance) (Für allfällige weitere Kursangebote siehe )
-
-
-
Doktorat Biosysteme (Mehr Informationen unter: Für Kurse der Kategorie "Integration in die wissenschaftliche Gemeinschaft" bitte die BSSE Webseite konsultieren: )
-
-
-
-
-
-
-
-