PTI01860 – Moderne Methoden im Data Science und Anwendungen I
Modul
Moderne Methoden im Data Science und Anwendungen I
Modern Methods in Data Science and Applications I |
Modulnummer
PTI01860
Version: 2 |
Fakultät
Physikalische Technik / Informatik
|
Niveau
Bachelor
|
Dauer
1 Semester
|
Turnus
Sommersemester
|
Modulverantwortliche/-r
Prof. Dr. Mike Espig |
Dozent/-in(nen)
Prof. Dr. Mike Espig |
Lehrsprache(n)
Deutsch - 80.00% Englisch - 20.00% |
ECTS-Credits
10.00 Credits |
Workload
300 Stunden |
Lehrveranstaltungen
8.00 SWS (2.00 SWS Praktikum | 2.00 SWS Seminar | 4.00 SWS Vorlesung mit integr. Übung / seminaristische Vorlesung) |
Selbststudienzeit
180.00 Stunden |
Prüfungsvorleistung(en)
Keine
|
Prüfungsleistung(en)
alternative Prüfungsleistung - Beleg und Präsentation |
Medienform
Keine Angabe
|
Lehrinhalte/Gliederung
Die Einsatzmöglichkeiten der Bilderkennung sind extrem vielfältig und reichen von der Erkennung biometrischer Merkmale wie der Gesichtserkennung, Handerkennung, Iriserkennung und Retinaerkennung für die Identifizierung von Personen, über die Objekterkennung für die erweiterte Realität und für ortsbezogene Dienste, die Erkennung und Auswertung von 2D-Codes, die Markierungserkennung für die industrielle Produktion, die Warensteuerung und die Drucktechnik, bis hin zur Verkehrszeichenerkennung in Kraftfahrzeugen. Im Kern dieser Vorlesung stehen moderne Methoden aus der Bilderkennung und deren Anwendung in PyTorch, Keras/Tensorflow sowie OpenCV (Open Source Computer Vision Library). Folgende Themen werden hierbei besprochen:
|
Qualifikationsziele
Die Studierenden besitzen tiefgreifende Kenntnisse im Lösen von Aufgabenstellungen bei der Bilderkennung, Image Recognition, d.h. Techniken zur Identifizierung von Objekten, Gebäuden, Menschen und Mustern in Fotos im Rahmen des Maschinellen Lernens. Sie sind in der Lage, die richtige Auswahl elementarer Methoden und Konzepte zu treffen, die zur Anwendung auf und Lösung von Übungs- und Praxissaufgaben notwendig sind, wie z.B. 2D gefaltete Neuronale Netze (Convolutional Neural Networks CNN) bei Regressions- & Klassifikationsprobleme sowie Augmentation von Daten. Die Studierenden besitzen grundsätzliche Kenntnisse der KI-Methoden beim autonomen Fahren. Außerdem sind sie fähig, unter Verwendung von Hilfsmitteln wie vorlesungsbegleitender Literatur problemslösungsorientiert zu arbeiten. |
Besondere Zulassungsvoraussetzung
keine |
Empfohlene Voraussetzungen
|
Fortsetzungsmöglichkeiten
Keine Angabe
|
Literatur
|
Hinweise
Keine Angabe
|
Zuordnung zum Curriculum
|