Anwendungskurse

Verantwortlich: Prof. Dr. Bodo Rosenhahn

Zielgruppen: Studierende der Informatik sowie der Elektro- und Informationstechnik

Beschreibung: Ziel ist die Vermittlung der technischen Grundlagen aktueller Bilderfassungssysteme, elementarer Bildverarbeitungs- und Visualisierungstechniken sowie wesentlicher Hardware-Rechenplattformen für bildgebende und bildanalytische Systeme. Der Lehrplan umfasst Einführung und Motivation, optische Bildaufnahmesysteme (Optik, Kameras, formale Bilddefinitionen), bildgebende Verfahren (Röntgen, Ultraschall, MR, CT, Elektroimpedanztomographie, Terahertz-Bildgebung), Grundlagen der Bildverarbeitung (lokale und globale Operatoren, Kontrastverstärkung, Rausch- und Artefaktreduktion, etc.), Grundlagen der Visualisierung, Bildsegmentierung, Kompression medizinischer Bilddaten, Architekturen für Bildgebungs- und Bildanalysesysteme und Datenformate in der medizinischen Bildgebung.

Credits: 5

Sprache: Deutsch

Verantwortlich: Prof. Dr. Berend Denkena

Zielgruppen: Studierende der Fachrichtungen Maschinenbau, Mechatronik, Wirtschaftsingenieurwesen, Produktion und Logistik, Informatik Beschreibung (Lernziele und Kompetenzen): Der Kurs gibt den Teilnehmern einen Einblick in die Anwendung von Methoden der Künstlichen Intelligenz (KI) in der Produktion. Aufbauend auf einer Einführung in produktionstechnische Prozesse und Fragestellungen lernen die Teilnehmer anhand von Praxisbeispielen (z.B. Verschleißerkennung, Anomalieerkennung zur Qualitätssicherung, adaptive Prozessplanung) Anwendungsbereiche von KI kennen. Die theoretischen Vorlesungseinheiten werden als Blockveranstaltungen angeboten und durch praktische Übungen ergänzt, in denen die Teilnehmer in interdisziplinären Gruppen eigene Lösungsansätze entwerfen.

Credits: 4

Sprache: Deutsch

Verantwortlich: Prof. Dr. Monika Sester

Zielgruppen: Alle

Beschreibung: Die Studierenden lernen die Verarbeitung räumlicher Datensätze mit Methoden des maschinellen Lernens/Deep Learning und der Computational Geometry kennen. Insbesondere werden die folgenden Datentypen behandelt: LiDAR-Daten (3D-Punktwolken), Bewegungstrajektorien, Volunteered Geographic Information (VGI) Daten. Es werden Methoden zur Klassifizierung, zum Clustering und zur Vorhersage vermittelt. Anwendungen finden sich in den Bereichen Automotive, Mobilität und Georisiken. Der Lehrplan umfasst die Erkennung von Objekten/Strukturen mit ML/DL in LiDAR-Daten, die Klassifizierung und Vorhersage von Trajektorien mit ML/DL und die Interpretation von VGI-Daten auf der Grundlage von ML/DL.

Credits: 5

Sprache: Englisch

Verantwortlich: Prof. Dr. Franz Rottensteiner

Zielgruppen: Studierende der Geodäsie und Geoinformatik

Beschreibung: Die Studierenden erlernen moderne überwachte Methoden der Klassifikation von Bild- und Oberflächendaten mit dem Schwerpunkt auf Strategien zu deren Einsatz bei der Erfassung und Aktualisierung von Geodaten und anderen Anwendungen aus der Geoinformatik. Neben anderen ML-Methoden werden Deep Learning-Methoden, insbesondere Convolutional Neural Networks (CNN), diskutiert und angewendet. Ein besonderer Schwerpunkt liegt auf Strategien, die den Bedarf an handbeschrifteten Trainingsdaten reduzieren, insbesondere Methoden zur Domänenanpassung und zum Lernen mit fehlerhaften Trainingsdaten. Der Lehrplan umfasst die folgenden Themen: Einführung: Sensoren und Datenerfassung in der Fernerkundung, Georeferenzierung von Fernerkundungsdaten, von Hand erstellte Merkmale; Methoden für maschinelles Lernen und Deep Learning für die Bildanalyse; Deep Domain Adaptation und Lernen unter Etikettenrauschen; topografische Anwendungen von CNN: Klassifizierung von Landbedeckung und Landnutzung für die Erfassung und Aktualisierung von Geodatenbanken; und andere Anwendungen von CNN für die Bildanalyse mit Beispielen aus dem autonomen Fahren und der Erhaltung des kulturellen Erbes.

Credits: 5

Sprache: Englisch  

Verantwortlich: Prof. Dr. Sascha Schanze

Zielgruppen: Studierende der Lehramtsstudiengänge

Beschreibung: Innovative Formen der KI-gestützten Lernunterstützung ermöglichen neue Bewertungs- und Diagnosewege. Lernerdaten sind als Fußabdrücke einer Lernreise zu betrachten und nehmen in der Analyse und Interpretation einen mehrdeutigen Charakter an. Ein zentrales Ziel des Moduls ist es, angehende Lehrkräfte zu professionalisieren, Verfahren des datengestützten Lernens zu verstehen und angemessen in die eigene Unterrichtspraxis zu integrieren. Ebenso sollen Impulse für Inhalte in entsprechenden Vertiefungsmodulen gegeben werden, um Anwendungen für den Bildungskontext zu entwickeln.

Credits: Einführungskurs 2CP, danach über Grundlagen und Spezialisierung 5 CP

Sprache: Deutsch

Verantwortlich: Prof. Dr. Steffi Robak

Zielgruppen: Studierende des Master of Education; ingenieurwissenschaftliche Studiengänge

Beschreibung: Das Modul bietet eine Einführung in die zentralen Anwendungsfelder der Künstlichen Intelligenz für die Gestaltung innovativer Bildungsprozesse in der Weiterbildung und eine Behandlung sowohl technologischer als auch pädagogischer Fragestellungen, die mit dem Einsatz von Technologien verbunden sind. In der interdisziplinären Betrachtung des Anwendungsfeldes bezieht sich die Art und Weise, wie Technologien eingesetzt werden, auf implizite lerntheoretisch orientierte Bildungs- und Lernkonzepte. Kontroll- und Überwachungsphantasien von Lernprozessen erleben eine Renaissance, die unter dem geforderten "Primat der Pädagogik" kritisch zu betrachten sind, zumal die zunehmende Kompetenzorientierung und die Forderung nach Autonomie/Selbststeuerung von Lernprozessen eher auf konstruktivistischen Annahmen beruhen. Das Modul vermittelt daher Kompetenzen zur Entwicklung und Nutzung vertrauenswürdiger KI für die Gestaltung lebenslanger Lernprozesse sowohl für zukünftige Weiterbildner/innen als auch für Studierende der technischen Wissenschaften. Der Lehrplan umfasst u.a. Intelligente Suchsysteme, Personalisierte Empfehlungssysteme, Intelligente Tutoren und Assistenzsysteme, Sprachassistenten/Chatbots, Automatisierte Leistungsbewertung/Balancierung und Lerntheorien.

Credits: 5

Sprache: Deutsch

Verantwortlich: Prof. Philipp Geyer, Herr Shaofan Wang

Zielgruppe: Masterstudierenden der Leibniz-KI-Akademie, aller Ingenieurdisziplinen, Landschaftsarchitektur und Umweltplanung sowie Informatik

Beschreibung: Aufgrund des Bedarfs an nachhaltigem Design und der daraus resultierenden Komplexität in verschiedenen Bereichen stehen Fachleute aus verschiedenen Disziplinen vor der entscheidenden Herausforderung, effektive Designentscheidungen zu treffen, z. B. in der Gebäudetechnik, im Automobilbau, im Maschinenbau, im Bauingenieurwesen usw. In diesem Kurs wird darauf eingegangen Bewältigen Sie diese Herausforderung, indem Sie Fähigkeiten in der Anwendung von Datenwissenschaft und künstlicher Intelligenz in Entscheidungskontexten aufbauen. Basierend auf Paradigmen des Systems Engineering und der Design Space Exploration (DSE) führt der Kurs die Teilnehmer bei der Anwendung modernster Datenwissenschafts- und KI-Techniken wie maschinellem Lernen und Clustering in solchen Kontexten an. Diese Techniken werden in Designprojekten genutzt, um die notwendige Untersuchung und das Verständnis von Varianten (DSE) und die erforderliche Technik für Nachhaltigkeit in die Entscheidungsfindung zu integrieren. Letztendlich positioniert es KI als leistungsstarkes Werkzeug, das Designer und Ingenieure durch umfassende strategische Informationen bei der Suche nach nachhaltigen und effizienten Lösungen unterstützt.

Credits: 5

Sprache: Englisch