Forschungsprojekt - Intelligente Systeme (infFPInS) (080286)- Dozentinnen/Dozenten
- Prof. Dr.-Ing. Sven Tomforde, Raphael Schwinger, M.Sc.
- Angaben
- Studienprojekt, 10 SWS, benoteter Schein, ECTS-Studium, ECTS-Credits: 10
Praesenzveranstaltung
Zeit und Ort: n.V.
- Voraussetzungen / Organisatorisches
- Zusammenfassung
Im Rahmen des Forschungsprojekts im Fachbereich Informatik haben die Studierenden die Möglichkeit, aktiv an einem laufenden Forschungsprojekt teilzunehmen. Die Ziele des Projekts umfassen die Spezifikation der Forschungsziele, Literaturanalyse, Aufbau von wissenschaftlichen Experimenten mit Data-Science-Bibliotheken und Teamarbeit. Im Wintersemester 2023/24 besteht die Möglichkeit, an dem Forschungsprojekt "DeepBirdDetect - Automatische Erkennung gefährdeter Vogelarten mit Hilfe von tiefen neuronalen Netzen (DBD)" mitzuarbeiten, wobei die Quantifizierung der Unsicherheit der Klassifikatoren eine wichtige Aufgabe ist. Potenzielle Forschungsfragen beinhalten die Messung der Unsicherheit, den Vergleich von Methoden und die Anwendung auf Vogelklang-Erkennungsnetzwerke. Vorkenntnisse im Bereich Machine Learning und Deep Learning sind hilfreich.
- Inhalt
- Lernziele
Im Rahmen des Forschungsprojekts im Fachbereich Informatik erhalten die Studierenden die Gelegenheit, aktiv an einem laufenden Forschungsprojekt der Arbeitsgruppe teilzunehmen. Dieses Projekt dient nicht nur der Vertiefung des fachlichen Wissens, sondern bietet auch einen praxisnahen Einblick in den wissenschaftlichen Alltag. Die Studierenden arbeiten Hand in Hand mit wissenschaftlichen Mitarbeitern und erhalten so einen direkten Einblick in den Forschungsprozess. Dabei lernen sie, wie wissenschaftliche Fragestellungen entwickelt, Hypothesen aufgestellt und diese systematisch überprüft werden. Außerdem lernen die Studierenden, ihre Forschungsergebnisse sowohl schriftlich als auch mündlich klar und überzeugend zu präsentieren.
Insbesondere sind folgende Ziele zu erreichen:
Spezifikation der Ziele des Forschungsforhabens in Form eines Research Proposals
Literaturanalyse zum ausgewählten Forschungsthemas
Aufbau von wissenschaftlichen Experimenten unter Verwendung von Standard-Data-Science-Bibliotheken wie NumPy, pandas, PyTorch, TensorFlow, Keras, ...
(Selbst-)Organisation im Team, Management des Prozesses, Terminüberwachung
Die Arbeit kann dabei auch in einer studentischen Gruppe erfolgen, mit ihrem Betreuer arbeiten Sie dabei zusammen.
Lerninhalte
Sommersemester 2024: Es ist möglich an dem Forschungsprojekt DeepBirdDetect - Automatische Erkennung gefährdeter Vogelarten mit Hilfe von tiefen neuronalen Netzen (DBD) mit zu wirken. Ein wichtiges Teilaufgabe des Projekts ist es explizite Quantifizierung der Unsicherheit der einzelnen Klassifikatoren zu entwickelt.
Da es sich um eine KI-gesteuerte Lösung handelt, wird die Zuverlässigkeit und Gewissheit der Vorhersagen, die von diesen neuronalen Netzwerken getroffen werden, von entscheidender Bedeutung. Für die erfolgreiche Implementierung und breitere Akzeptanz solcher KI-gestützter Systeme ist es entscheidend, zu quantifizieren, wie sicher die entwickelten neuronalen Netzwerke in ihren Vorhersagen sind. Dies betrifft nicht nur die genaue Artenerkennung, sondern auch die Gewährleistung des Vertrauens der Interessengruppen in die Ausgaben des Systems. Darüber hinaus ist in Szenarien wie der Klassifikation von Audioaufnahmen, in denen die Datenquellen stark inhomogen sind und gelabelte Daten knapp sind, die Unsicherheitsschätzungen von entscheidender Bedeutung. Sie gewährleistet, dass die Ausgaben des Systems nicht einfach als gegeben hingenommen werden, sondern im Kontext ihrer Zuverlässigkeit verstanden werden.
Potenzielle Forschungsfragen in diesem Forschungesvorhaben können sein:
Messung der Unsicherheit: Wie können wir die explizite Unsicherheit bei der Klassifizierung neuronaler Netzwerke messen? Welche Metriken oder Methoden können verwendet werden, um ein klares Bild von der Zuversicht des Netzwerks in seine Vorhersagen zu geben?
Vergleich von Methoden: Bei verschiedenen Methoden zur Unsicherheitsschätzung, wie können wir sie effektiv vergleichen? Welche Kriterien sollten verwendet werden, um Unsicherheit zu quantifizieren, und wie können diese Kriterien über verschiedene Methoden hinweg standardisiert werden?
Anwendung auf Vogelklang-Erkennungsnetzwerke: Angesichts des spezifischen Schwerpunkts auf Vogelklang-Erkennung, wie können diese Unsicherheitschätzungs-Techniken auf Netzwerke wie BirdNET und andere ähnliche Systeme angewendet werden? Welche Anpassungen oder Anpassungen könnten erforderlich sein, um sicherzustellen, dass diese Techniken in diesem speziellen Kontext wirksam sind?
Weitere Voraussetzungen:
Keine zwingenden Voraussetzungen. Allerdings sind Vorkenntnisse im Bereich Machine Learning und Deep Learning mehr als hilfreich, die idealerweise durch den Besuch der entsprechenden Vorlesungen erworben werden.
Prüfungsleistungen:
Präsentationen, Bericht und wissenschaftliche Arbeit.
Teilnahme:
Bitte senden Sie eine Mail an Raphael Schwinger (rsc@informatik.uni-kiel.de), um teilzunehmen oder weitere Informationen zu erhalten.
- Zusätzliche Informationen
- Erwartete Teilnehmerzahl: 6
|
|
