DE

Der Kurs konzentriert sich speziell auf die Anwendung von Deep-Learning-Methoden in der Computer Vision, der Fähigkeit von Computern, visuelle Daten wie Bilder und Videos zu verstehen und zu interpretieren.

In diesem Kurs werden die grundlegenden Konzepte der künstlichen Intelligenz vermittelt, sowie die spezifischen Techniken und Modelle des Deep-Learning, die in der Computer Vision verwendet werden. Die Studierenden lernen, wie man neuronale Netze entwirft, trainiert und anwendet, um visuelle Daten zu klassifizieren, zu segmentieren und zu generieren.

Zu den Themen des Kurses gehören Convolutional Neural Networks (CNNs), die weit verbreitete und leistungsstarke Deep-Learning-Modelle in der Computer Vision, sowie fortgeschrittene Techniken wie Transfer Learning und Generative Netze.

Der Kurs besteht aus Vorlesungen, Übungen und praktischen Projekten, die den Studierenden die Möglichkeit geben, das Gelernte in die Praxis umzusetzen und eigene Anwendungen zu entwickeln. Es gibt keine Klausur, sondern die Studierenden arbeiten in Gruppen an konkreten Projekten, in denen sie neuronale Netze implementieren und trainieren und ihre Ergebnisse in Form von Papers und Präsentationen vorstellen.

Inhalte:

• Einführung in die Deep Learning und Computer Vision
• Faltungsneuronale Netze für die visuelle Erkennung (Convolutional Neural Networks)
• Deep Learning Pipeline mit TensorFlow / Keras
• Daten Augmentation
• Transfer Learning
• 2D Bounding Box Objekt Erkennung
• Bildsegmentierung durch tiefes neuronales Netz
• Sequenzbasiertes tiefes Lernen
• Transformers
• Generative Netze
• Performanz Metriken
• Ethische Fragestellungen bei künstlicher Intelligenz

DE

In dieser Lehrveranstaltung werden ein allgemeiner Überblick über aktuelle Fahrerassistenzsysteme sowie über das hochautomatisierte Fahren und die dafür notwendigen Komponenten, Technologien und Algorithmen vermittelt.

Inhalte:

• Begriff der Fahrerassistenzsysteme
• Fahrverhalten, Fahrsicherheit, aktive und passive Systeme
• Sensorik zur Umgebungserfassung:
  • Ultraschall
  • Radar
  • Lidar
  • Videokamera
  • Stereo
• Beispiele für Fahrerassistenzsysteme (ESP, ACC, LCC, LKA, etc.)
• Sensorfusion
• Fahrdynamikregelung
• Simulationslösung
• Maschinelles Lernen für hoch automatisiertes Fahren

DE

Die Vorlesung "Mustererkennung und Maschinelles Lernen" behandelt grundlegende Konzepte und Techniken des maschinellen Lernens und der Mustererkennung. Zu den behandelten Themen gehören unter anderem statistische Lernverfahren, neuronale Netze, Entscheidungsbäume, Clusteranalyse und Bayes'sche Netze.

In der Vorlesung werden sowohl theoretische Grundlagen als auch praktische Anwendungen behandelt. Ziel ist es, den Studierenden ein tiefes Verständnis für die zugrunde liegenden Konzepte und Techniken zu vermitteln und ihnen die Fähigkeit zu geben, maschinelles Lernen in verschiedenen Anwendungsgebieten anzuwenden.

Die Vorlesung richtet sich typischerweise an Studierende der Informatik, aber auch an Studierende anderer Fachrichtungen wie Elektrotechnik, Mathematik oder Physik, die ein Interesse an maschinellem Lernen und Mustererkennung haben.

inhalte:

• Motivation und Anwendungen, Einführung in die benutzte Software-Infrastruktur
• Statistische Methodik für das Maschinelle Lernen
• Mixtur Modelle
• Expectation Maximization
• Methoden zur Dimensionalitätsreduktion (PCA, LDA, t-SNE)
• Graphical models
• Grundlagen der Bayes’schen Netze
• Kernel Methoden zur Klassifikation und Regression (SVM, Gaußprozesse)
• Mustererkennung durch Deep Learning

DE

Die Vorlesung "Grundlagen der KI" behandelt die grundlegenden Konzepte und Techniken der Künstlichen Intelligenz (KI). Die Vorlesung befasst sich mit verschiedenen Themen, einschließlich Wissensrepräsentation und -verarbeitung, logischem Schließen, Entscheidungstheorie, tiefes neuronale Netze.

In der Vorlesung werden auch verschiedene Anwendungen der KI behandelt, wie z.B. Agenten, Computer Vision und maschinelles Lernen. Es wird Wert auf die theoretischen Grundlagen gelegt, aber es werden auch praktische Beispiele und Anwendungen behandelt.

Das Ziel der Vorlesung ist es, den Studierenden ein grundlegendes Verständnis für die Konzepte und Techniken der KI zu vermitteln, sowie ihnen die Fähigkeit zu geben, KI-Methoden in verschiedenen Anwendungen anzuwenden. 

Es gibt keine Klausur, sondern die Studierenden arbeiten in Gruppen an konkreten KI Projekten.

Inhalte:

• Einführung in die KI
• Wissen und Schlussfolgern
• Suchen und Spielen
• Klassische Machine-Learning
• Einfache Neuronale Netze
• Deep Learning
• Deep Learning für Computer Visioin
• Performanz Metriken
• Erklärbare KI
• Etische Fragestellung bei KI

{tab title="EN" color_inactive_handles="true"}

The lecture "Fundamentals of AI" covers the basic concepts and techniques of Artificial Intelligence (AI). The lecture covers various topics including knowledge representation and processing, logical reasoning, decision theory, deep neural networks.

The lecture also discusses various applications of AI, such as agents, computer vision, and machine learning. Emphasis will be placed on the theoretical foundations, but practical examples and applications will also be covered.

The goal of the lecture is to provide students with a basic understanding of AI concepts and techniques, as well as the ability to apply AI methods in various applications.

There is no written exam, but students work in groups on specific AI projects.

Contents:

• Introduction to AI
• Knowledge and Inference
• Search Theory
• Classical Machine Learning
• Simple Neural Networks
• Deep Learning
• Deep Learning for Computer Visioin
• Performance Metrics
• Explainable AI
• Ethical issues in A