• Prof. Dr. Seyed Eghbal Ghobadi

• Prof. Dr. Seyed Eghbal Ghobadi
• Moritz Schauer

Keine

PI5007 Mustererkennung und Maschinelles Lernen,

IIR5012 Deep Learning für Computer Vision

Das Modul vermittelt grundlegende Konzepte und Techniken der künstlichen Intelligenz und deren Anwendung in eingebetteten Systemen. Es beinhaltet sowohl theoretische als auch praktische Aspekte, einschließlich der Implementierung und Optimierung von KI-Algorithmen auf eingebetteten Plattformen.

• Einführung in eingebettete Systeme und Künstliche Intelligenz
• Implementierung von KI in eingebetteten Systemen: Hardware- und Software-Anforderungen, Optimierungstechniken
• Pruning und Quantization
• Frameworks und Tools
• Spezielle Themen und Anwendungsfälle: Bild- und Sprachverarbeitung, Automatisierte Steuerungssysteme, IoT und Smart Devices
• Projektarbeit und Praxisbeispiele

Fachkompetenzen

• Die Studierenden können die grundlegenden Konzepte und Techniken der künstlichen Intelligenz und deren Anwendung in eingebetteten Systemen erklären.
• Sie können Algorithmen und Modelle des maschinellen Lernens und der künstlichen Intelligenz auf eingebetteten Systemen implementieren und optimieren.
• Sie können verschiedene Ansätze zur Integration von KI in eingebettete Systeme bewerten und diese anwenden.

Methodenkompetenzen (fachlich & überfachlich)

• Die Studierenden können KI-Modelle auf eingebetteten Systemen evaluieren und optimieren.
• Sie können eigene KI-Modelle für eingebettete Systeme entwerfen und trainieren.
• Sie können neuronale Netze und andere KI-Algorithmen mit Bibliotheken wie TensorFlow Lite, PyTorch Mobile oder anderen für eingebettete Systeme geeigneten KI-Frameworks implementieren und anwenden.
• Sie können, auf Basies ihrer praktischen Erfahrungen mit aktuellen Werkzeugen und Technologien, KI in eingebetteten Systemen implementieren.

Sozialkompetenzen

• Die Studierenden können das erworbene Wissen in der Vorlesung und speziell in ihrem Team präsentieren.
• Sie können in Teams arbeiten und effektiv kommunizieren.
• Sie können Ergebnisse in schriftlicher und mündlicher Form präsentieren.
• Sie können Feedback geben und empfangen, um die Arbeit im Team und individuell zu verbessern.

Selbstkompetenzen

• Die Studierenden können Selbstreflexion und Selbstorganisation anwenden, um das eigene Lernen und Arbeiten zu verbessern.
• Sie können selbstständig recherchieren, um sich das Wissen aus dem Stand der Technik anzueignen.

• 6 CrP
• Arbeitsaufwand 180 Std.
• Präsenzzeit 60 Std.
• Selbststudium 120 Std.

• 4 SWS
• Seminaristischer Unterricht 4SWS

• Informatik (M.Sc. 2022)
• Ingenieur-Informatik (M.Sc. 2022)

Ja

Bonuspunkte werden gemäß § 9 (4) der Allgemeinen Bestimmungen vergeben. Art und Weise der Zusatzleistungen wird den Studierenden zu Veranstaltungsbeginn rechtzeitig und in geeigneter Art und Weise mitgeteilt.

Prüfungsvorleistung:

Hausübungen (Anzahl wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

Prüfungsleistung:

Projektarbeit oder Klausur (Art des Leistungsnachweises wird den Studierenden rechtzeitig und in geeigneter Weise bekannt gegeben.)

• Vorlesungsfolien
• Situnayake, D.; Plunkett, J.: AI at the Edge. O'Reilly Media, Inc.
• Gupta, A.K.; Nandyala, S.P.: Deep Learning on Microcontrollers. Learn how to develop embedded AI applications using TinyML. BPB Online.
• Warden, P.; Situnayake, D.: TinyML, Machine Learning with TensorFlow Lite on Arduino and Ultra-Low-Power Microcontrollers. O'Reilly Media, Inc.
• Iodice, G. M.: TinyML Cookbook. Combine Artificial Intelligence and Ultra-low-power Embedded Devices to Make the World Smarter. Packet Publishing Ltd.