diff --git a/Praktikum BMT - Deep Learning in der Biomedizintechnik.pdf b/Praktikum BMT - Deep Learning in der Biomedizintechnik.pdf
new file mode 100644
index 0000000..e7bb83c
Binary files /dev/null and b/Praktikum BMT - Deep Learning in der Biomedizintechnik.pdf differ
diff --git a/Praktikum BMT - Deep Learning in der Biomedizintechnik.tex b/Praktikum BMT - Deep Learning in der Biomedizintechnik.tex
new file mode 100644
index 0000000..3afc496
--- /dev/null
+++ b/Praktikum BMT - Deep Learning in der Biomedizintechnik.tex	
@@ -0,0 +1,93 @@
+\documentclass[a4paper,12pt,titlepage]{scrartcl}
+\usepackage[sc]{mathpazo} % Schrift - wie Funcky und in PDF zu Fonts beschrieben
+\usepackage[T1]{fontenc}
+\usepackage[utf8]{inputenc}
+\usepackage[a-1b]{pdfx}
+\usepackage[ngerman]{babel}
+\usepackage[amssymb]{SIunits} 
+\usepackage{graphicx} 
+\usepackage{subfigure}                         
+\usepackage{float}
+\usepackage[iso,german]{isodate} %his package provides commands to switch between different date formats
+\usepackage{hyperref}
+\usepackage{listings}
+
+\usepackage{fancyhdr}
+\renewcommand{\headrulewidth}{0.5pt}
+\renewcommand{\footrulewidth}{0.5pt}
+%Abstand zwischen Absätzen, Zeilenabstände
+\voffset26pt 
+\parskip6pt
+%\parindent1cm  %Rückt erste Zeile eines neuen Absatzes ein
+\usepackage{setspace}
+\onehalfspacing
+
+\begin{document}
+\pagenumbering{roman}
+\titlehead
+{
+    \small
+    {
+        Technische Universität Ilmenau\\
+        Fakulät IA\\
+        Institut für Biomedizinische Technik und Informatik\\
+
+        Praktikum Deep Learning in der Biomedizintechnik\\
+        WS 2021/22}
+}
+
+\title {Versuchsprotokoll}
+\author{}
+\date{\today\\*[60pt]}
+\maketitle  %Erstellt das Titelblatt wie oben definiert
+
+%Einstellungen zur Kopf- und Fußzeile
+\pagestyle{fancy}
+\fancyhead[R]{Deep Learning}
+\pagenumbering{arabic}
+\newpage
+
+\section{Kontrollfragen}
+\begin{itemize}
+    \item Erklären Sie die Rechenschritte in einem neuronalen Netz.
+    \item Nennen Sie drei Aktivierungsfunktionen von neuronalen Netzen.
+    \item Nennen Sie verschiedene Arten von Layern in neuronalen Netzen.
+    \item Warum ist es nicht sinnvoll eine lineare Funktion $(y=\alpha x+b)$ als Aktivierungsfunktion in den verdeckten Schichten eines neuronalen Netzes zu verwenden?
+    \item Was verstehen Sie unter Backpropagation?
+    \item Warum ist eine Stufenfunktion (Rosenblatt-Perceptron) ungünstig für den Backpropagation-Algorithmus?
+    \item Was ist die Learning Rate? Was passiert, wenn sie zu hoch oder niedrig gewählt wird?
+    \item Was verstehen Sie unter Augmentation? Nennen Sie Beispiele für Augmentation.
+    \item Warum ist es bei neuronalen Netzen besonders wichtig, die Testdaten beim Training außen vor zu lassen?
+    \item Wie können Sie die Güte eines neuronalen Netzes bewerten?
+    \item Warum ist es potentiell kritisch, wenn mit einem neuronalen Netz ein unscharfes Bild scharf und hochaufgelöst gemacht wird?
+\end{itemize}
+
+\section{Versuchsdurchführung}
+\subsection{Grundkenntnisse zur Anwendung von Deep Learning}
+\subsubsection{Erstellen eines einfachen neuronalen Netzes}
+Berechnung der Parameter eines neuronalen Netzes per Hand
+
+Erstellen und Anwenden eines neuronalen Netzes in Python
+
+\subsubsection{Neuronales Netz zur Funktionsapproximation}
+Approximieren eines QRS-Komplexes 6 durch manuelles und automatisches Setzen der Parameter
+
+\subsubsection{Neuronales Netz zur Erkennung handschriftlicher Ziffern}
+Erweiterung des neuronalen Netzes aus Aufgabe 1a zur Verarbeitung des MNIST-Datensatzes
+
+\subsection{Anwendung von Deep Learning in der Biomedizintechnik}
+\subsubsection{Data Sanitization mit Hilfe von Pandas}
+Nutzen der Pandas-Bibliothek zur Vorverarbeitung von Daten für das Training eines neuronalen Netzes
+
+\subsubsection{Neuronales Netz zur Klassifikation von OCT-Aufnahmen}
+Manuelle und automatische Klassifikation von OCT-Aufnahmen
+
+Optimierung der Accuracy des neuronalen Netzes durch Nutzung von Data Augmentation
+
+\subsubsection{Aufgabe 3: Grenzen von Deep Learning}
+Kennenlernen, worin die Herausforderung bei der Interpretation von neuronalen Netzen besteht
+
+Anwendung von Class Activation Maps
+
+\end{document}
+