WS 2020/2021

HINWEIS: Aufgrund der aktuellen Corona Situation finden alle Veranstaltungen online statt. 

Seminar Deep Learning und Wissenschaftliches Rechnen

In diesem gemeinsamen Seminar mit der AG Engwer bieten werden wir verschidene Themen aus dem Bereich des maschinellen Lernens (insb. Deep Learning) in kombination mit Aspekten des wissenschaftlichen Rechnens besprechen. Unter anderen werden wir uns mit Fragen wie der Sparsity in Neuronalen Netzen, Optimierungsverfahren und Explainable AI Strategien auseinandersetzen. 

SS 2020

HINWEIS: Aufgrund der aktuellen Corona Pandemie finden alle Veranstaltungen online statt. 

PROJEKTSEMINAR: ARTIFICIAL INTELLIGENCE FOR 3D PRINTING

Ziel des Projektseminares ist es, ein umfangreiches Verständnis für Algorithmen und Hardware im Zusammenhang mit additiver Fertigung zu entwickeln. Insbesondere soll ein am Institut für Informatik entwickelter Slicer dahingehend weiterentwickelt werden, dass in einem Closed-Loop Prozess etwaige Druckfehler durch spezifische Sensoren identifiziert werden. Die in diesem Zusammenhang relevanten Algorithmen tangieren die Bereiche Mustererkennung (insb. maschinelles Lernen), Computer Vision und Visualisierung. Darüber hinaus können Aspekte aus der Robotik (insb. Kinematik) sowie der hardwarenahen Programmierung behandelt werden.

AI@WWU Workshop

In diesem Semester bieten wir erstmalig einen Institutsübergreifenden AI@WWU Workshop an. Dieser richtet sich an wissenschaftliche Mitarbetier der WWU aller Karrierestufen. Ziel des Workshops ist ein praxisorientierter Einstieg in moderne KI Verfahren.

CVMLS KOLLOQUIUM

In diesem Kolloquium werden die aktuellen Fortschritte und Fragestellungen der Master und Bachelor Abschlussarbeiten besprochen. Außerdem finden im Rahmen dieses Kolloquiums auch Gastvorträge und Paperdiskussionen statt. Studenten, welche ihre Abschlussarbeit in unserer Gruppe schreiben sind damit Teilnehmer dieser Veranstaltung.

MUSTERERKENNUNG

Inhalte dieser Vorlesung sind Konzepte und Algorithmen zur Beschreibung und Interpretation von Mustern. Als Schwerpunkt werden Verfahren der statistischen Mustererkennung behandelt. Zusätzlich dazu sollen auch Verfahren aus der strukturellen Musterkennung vorgestellt werden. Zum Vorlesungsinhalt gehören: Klassifikation mit Distanzfunktionen, lineare und nicht lineare Klassifikation, Bayes Klassifikator, Entscheidungsbäume, Support Vector Machines, neuronale Netze, Hidden Markov Models, Ensemble Methoden, Merkmale, Performance Evaluation, und Clustering. Ferner wird auch schwerpunktmäßig auf die neuesten Entwicklungen wie Deep Learning eingegangen. Mustererkennung ist eng mit Maschinellem Learnen verwandt. Mithilfe von Lernverfahren werden Modelle anhand von Trainingsdaten gelernt, die zur Mustererkennung verwendet werden. Im Fokus der Vorlesung steht die Behandlung der verschiedenen Klassifikationsmodelle und der zugehörigen Lernmethoden. Als Anwendungsbeispiele werden in der Vorlesung primär Fragestellungen aus der Bildverarbeitung behandelt.

In der Vorlesung sind Übungen integriert.

 WS 2019/2020 

PROJEKTSEMINAR: ARTIFICIAL INTELLIGENCE FOR Additive Manufacturing

Ziel des Projektseminares ist es, ein umfangreiches Verständnis für Algorithmen und Hardware im Zusammenhang mit additiver Fertigung zu entwickeln. Insbesondere soll ein am Institut für Informatik entwickelter Slicer dahingehend weiterentwickelt werden, dass in einem Closed-Loop Prozess etwaige Druckfehler durch spezifische Sensoren identifiziert werden. Die in diesem Zusammenhang relevanten Algorithmen tangieren die Bereiche Mustererkennung (insb. maschinelles Lernen), Computer Vision und Visualisierung. Darüber hinaus können Aspekte aus der Robotik (insb. Kinematik) sowie der hardwarenahen Programmierung behandelt werden.

SS 2019

PROJEKTSEMINAR: Artificial intelligence for 3D printing

Ziel des Projektseminares ist es, ein umfangreiches Verständnis für Algorithmen und Hardware im Zusammenhang mit additiver Fertigung zu entwickeln. Insbesondere soll ein am Institut für Informatik entwickelter Slicer dahingehend weiterentwickelt werden, dass in einem Closed-Loop Prozess etwaige Druckfehler durch spezifische Sensoren identifiziert werden. Die in diesem Zusammenhang relevanten Algorithmen tangieren die Bereiche Mustererkennung (insb. maschinelles Lernen), Computer Vision und Visualisierung. Darüber hinaus können Aspekte aus der Robotik (insb. Kinematik) sowie der hardwarenahen Programmierung behandelt werden.

CVMLs Kolloquium

In diesem Kolloquium werden die aktuellen Fortschritte und Fragestellungen der Master und Bachelor Abschlussarbeiten besprochen. Außerdem finden im Rahmen dieses Kolloquiums auch Gastvorträge und Paperdiskussionen statt. Studenten, welche ihre Abschlussarbeit in unserer Gruppe schreiben sind damit Teilnehmer dieser Veranstaltung.

MUSTERERKENNUNG

Inhalte dieser Vorlesung sind Konzepte und Algorithmen zur Beschreibung und Interpretation von Mustern. Als Schwerpunkt werden Verfahren der statistischen Mustererkennung behandelt. Zusätzlich dazu sollen auch Verfahren aus der strukturellen Musterkennung vorgestellt werden. Zum Vorlesungsinhalt gehören: Klassifikation mit Distanzfunktionen, lineare und nicht lineare Klassifikation, Bayes Klassifikator, Entscheidungsbäume, Support Vector Machines, neuronale Netze, Hidden Markov Models, Ensemble Methoden, Merkmale, Performance Evaluation, und Clustering. Ferner wird auch schwerpunktmäßig auf die neuesten Entwicklungen wie Deep Learning eingegangen. Mustererkennung ist eng mit Maschinellem Learnen verwandt. Mithilfe von Lernverfahren werden Modelle anhand von Trainingsdaten gelernt, die zur Mustererkennung verwendet werden. Im Fokus der Vorlesung steht die Behandlung der verschiedenen Klassifikationsmodelle und der zugehörigen Lernmethoden. Als Anwendungsbeispiele werden in der Vorlesung primär Fragestellungen aus der Bildverarbeitung behandelt.

In der Vorlesung sind Übungen integriert.

 WS 2017/2018 

PROJEKTSEMINAR: Towards smart 3d printing

Additive Fertigungstechniken wie Fused Decomposition Modelling (FDM) sind eine der Zukunftstechnologien mit enormen Auswirkungen auf Industrie, Medizin, Forschung, Design. Beispielsweise wird gegenwärtig die Dentalindustrie durch 3D-Druckprothesen revolutioniert.  Leider sind heutige 3D-Drucker jedoch sehr fehleranfällig, das Drucken ist sehr langsam (Stunden bis Tage) und erfordert eine manuelle Überwachung. Langfristiges Ziel ist es daher, einen FDM-Drucker mit Sensoren und einem "Gehirn" ausstatten, um die internen Zustände zu "erfassen", während wir den Einsatz von maschinellem Lernen in diesem Kontext untersuchen möchten.

 SS 2018

Projektseminar: Barista for Deep Learning-based Bug Tracking

Deep Learning Projektseminar

Mustererkennung

Inhalte dieser Vorlesung sind Konzepte und Algorithmen zur Beschreibung und Interpretation von Mustern. Als Schwerpunkt werden Verfahren der statistischen Mustererkennung behandelt. Zusätzlich dazu sollen auch Verfahren aus der strukturellen Musterkennung vorgestellt werden. Zum Vorlesungsinhalt gehören: Klassifikation mit Distanzfunktionen, lineare und nicht lineare Klassifikation, Bayes Klassifikator, Entscheidungsbäume, Support Vector Machines, neuronale Netze, Hidden Markov Models, Ensemble Methoden, Merkmale, Performance Evaluation, und Clustering. Ferner wird auch schwerpunktmäßig auf die neuesten Entwicklungen wie Deep Learning eingegangen. Mustererkennung ist eng mit Maschinellem Learnen verwandt. Mithilfe von Lernverfahren werden Modelle anhand von Trainingsdaten gelernt, die zur Mustererkennung verwendet werden. Im Fokus der Vorlesung steht die Behandlung der verschiedenen Klassifikationsmodelle und der zugehörigen Lernmethoden. Als Anwendungsbeispiele werden in der Vorlesung primär Fragestellungen aus der Bildverarbeitung behandelt.

In der Vorlesung sind Übungen integriert.

WS 2017/2018 

VORLESUNG COMPUTER VISION

Computer Vision entwickelt theoretische und algorithmische Grundlagen, um automatisch visuelle Informationen im Rechner zu verarbeiten, zu analysieren und zu interpretieren. Im Zentrum der Untersuchungen steht die Frage, welche Rückschlüsse man aus Bildern über die abgebildete Welt ziehen kann. In dieser Vorlesung werden grundlegende Begriffe um Verfahren von Computer Vision vorgestellt. Unter anderem werden folgende Themen behandelt:

• Kantendetektion
• Interest Points
• Konturdetektion
• Bildsegmentierung
• Texturanalyse
• Bewegungsanalyse
• Objekterkennung
• Tracking von Objekten
• Kamerakalibrierung
• 3D Computer Vision

Des Weiteren soll auf die Anwendung der modernen statistischen Entscheidungstheorien einschließlich Deep Learning eingegangen werden. In der Vorlesung wird angestrebt, die Besucher mit der aktuellen Forschung vertraut zu machen.