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
infBSemIS-01a: Bachelorseminar - Selbst-organisierte Systeme (infBSemIS-01a) (080077)- Dozentinnen/Dozenten
- Prof. Dr.-Ing. Sven Tomforde, Ghassan al Falouji, M.Eng.
- Angaben
- Seminar, 2 SWS, benoteter Schein, ECTS-Studium, ECTS-Credits: 5
Praesenzveranstaltung
Zeit und Ort: n.V.
- Voraussetzungen / Organisatorisches
- Lernziele:
Die Studierenden lernen, sich komplexe Sachverhalte anhand der kompakten Darstellung, wie sie in wissenschaftlichen Veröffentlichungen (d. h. Paper, Artikel oder Fachbüchern) üblich ist, eigenständig anzueignen und in verständlicher Form aufzubereiten.
Lehrinhalte:
Gegenstand des Seminars sind Algorithmen aus dem Gebiet der selbst-organisierten Systeme.
Der Fokus liegt in jedem Semester auf einem unterschiedlichen Bereich der Selbstorganisation. Studierende werden neben Basistechnologien im jeweiligen Gebiet unterschiedliche Grundsysteme untersuchen und vorstellen. Dazu gehört ebenfalls eine Einordnung in den übergeordneten Rahmen der selbstorganisierten Systeme.
Konzeptionell bildet die Veranstaltung einen prototypischen akademischen Veröffentlichungsprozess nach: Erstellung eines Konzeptes, Erstellung einer Veröffentlichung, EInreichung und Review mittels Konferenzmanagementsystem, Anfertigen der Camera Ready Version und Einreichung, Präsentation auf der Konferenz inkl. Moderation.
Weitere Voraussetzungen:
Grundlegende Kenntnisse in wissenschaftlichem Arbeiten.
Prüfungsleistung:
Die Note setzt sich aus den folgenden Aspekten zusammen:
Ausarbeitung
Reviews
Organisation (Rolle des Session Chairs, Einhalten von Deadlines)
Vortrag
Workload
30 Std. Mitarbeit im Seminar, 90 Std. Selbststudium
- Inhalt
- Das Seminar widmet sich dem Thema "Selbst-organisierte Systeme". Darunter werden im Kontext dieses Seminars Mengen aus autonomen, technischen Einheiten verstanden, die zusammenarbeiten, um ein gemeinsames Ziel zu erreichen. Dabei treten unterschiedliche Fragestellungen auf, die beherrscht werden müssen.
Das Seminar im WS 19/20 widmet sich dabei der konsistenten, schnellen und zuverlässigen Speicherung sowie des damit einhergehenden Auffindens von Inhalten innerhalb solcher selbst-organisierten Systeme. Dies wird anhand von Algorithmen des Peer-to-Peer Computing untersucht.
Das Seminar im SS 20 widmet sich dabei der Kooperation von autonomen intelligenten Systemen sowie den damit einhergehenden Interaktionsmustern innerhalb solcher selbst-organisierten Systeme. Dies wird anhand von Beispielen des Organic Computing untersucht.
Das Seminar im WS 20/21 widmet sich der selbstorganisierten Zusammenarbeit in offenen Systemen. Dabei stehen Fragestellungen des gegenseitigen vertrauens im Vordergrund des Interesses (d.h. Konzepte des 'Computational Trust').
Das Seminar im SS 21 widmet sich der selbstorganisierten Kommunikation mittels Datenkommunikationsprotokollen. Dabei stehen Fragestellungen der Anpassung an sich ändernde Gegebenheiten (Umgebung, Fehler, etc.) im Vordergrund des Interesses. Wir betrachten dezentral organisierte Arbeiten, zentral organisierte Ansätze und Methoden aus dem Bereich "Protocol Stack Composition". Diese sollen mit einem Refenezansatz aus dem Gebiet des Organic Computing verglichen werden.
Das Seminar im WS 21/22 widmet sich der Selbstorganisation in zellulären Datenkommunikationssystemen (d.h. in Mobilfunknetzen der vierten und fünften Generation). Dabei stehen Fragestellungen des verteilten Einbindung von Einheiten, die nicht direkt mit einer Basis-Station verbunden sind, im Vordergrund des Interesses.
Im Sommersemester 2022 fokussiert sich das Seminar auf den Anwendungsfall Produktionssysteme. Wir untersuchen unterschiedliche Ansätze, die Prinzipien der Selbstorganisation in entsprechende Abläufe integrieren - und sind damit im Umfeld "Industrie 4.0" angesiedelt.
Im Wintersemester 2022 fokussiert sich das Seminar auf den Anwendungsfall Robotiksysteme. Wir untersuchen unterschiedliche Ansätze, die Prinzipien der Selbstorganisation in entsprechende Abläufe von mehreren miteinander kooperierenden Robotern (bspw. als Schwarm) integrieren.
- Empfohlene Literatur
- Die Studierenden erhalten spezielle Literatur, welche sie in dem Seminar bearbeiten sollen.
- Zusätzliche Informationen
- Erwartete Teilnehmerzahl: 10
infMPInS-01a: Master project - Intelligent Systems (infMPInS-01a) (080092)- Dozentinnen/Dozenten
- Prof. Dr.-Ing. Sven Tomforde, Nils Bischoff, M.Sc.
- Angaben
- Übung, 4 SWS, ECTS-Studium, ECTS-Credits: 10
Praesenzveranstaltung, Unterrichtssprache Englisch, Kick-off meeting: 17. April 2024 um 14:15 Uhr in HRS 3, Raum 309b (Labor)
Zeit und Ort: n.V.
Vorbesprechung: 17.4.2024, 14:15 - 15:15 Uhr
- Voraussetzungen / Organisatorisches
- Abstract
An "intelligent system" is a computer system that is able to operate under difficult conditions (e.g., time-varying environments, emergent situations, or disturbances) by autonomously adapting its behavior to the changing conditions and learning on its own. We use the robot platform "TurtleBot3" as a basis for the development of intelligent systems in student projects.
Learning objectives
The participants should learn to work on a larger, coherent project from the field of intelligent systems in a limited amount of time. Emphasis is placed on independent project work and group work.
The overall goal of the course is to gain a basic understanding and experience of how intelligent systems are designed, developed and operated. In addition to the actual development of the software, the module aims to provide hands-on experience in a team of developers. Specific objectives are:
- Specification and definition of the "product" using standard software engineering tools.
- Setup of scientific experiments using standard data science libraries like NumPy, pandas, PyTorch, TensorFlow, Keras, ...
- (Self-)organization in the team, management of the process, deadline monitoring
- Entire software development process until delivery to the customer
- Documentation of the product
Your supervisors continuously monitor the process in the role of a customer, i.e. you are expected to demonstrate progress on a regular basis.
- Inhalt
- Learning content
Summer term 2024: For the visual inspection of road signs, we have several sequences of images in which a sign is recognised and identified as the same sign across the sequences. This results in a selection of images of the same object, which will now be used to assess its condition. There are several potential approaches. One possibility is to develop a solution that automatically selects the best single image. This can then be analysed for damage or other deviations from the ideal state using an anomaly detection method. Another approach would be to fuse information from different images before anomaly detection. The project group will implement and evaluate strategies for data selection or fusion as well as compare methods for visual anomaly detection. The addition of your own ideas to the suggestions described here is explicitly encouraged. The goal of the project is therefore to develop a system that can analyse road signs for visual anomalies using a selection of images.
Other requirements
No mandatory prerequisites. However, previous knowledge in the field of "Intelligent Systems" is more than helpful, ideally acquired by attending the corresponding lectures. You should have good programming skills and not be afraid of working with real hardware.
Audit performances
Presentations, report, scientific paper and the realized software system (including documentation).
Contact
Interested students may contact the group (Nils Bischoff) for more details. You can also do this to "book a place" in the project already during the preceeeding term.
- Zusätzliche Informationen
- Erwartete Teilnehmerzahl: 6
Informationsveranstaltung Abschlussarbeit: Informatik, Wirtschaftsinformatik, Informatik 2F (info-bscthesis)- Dozentinnen/Dozenten
- Dr. Pamela Fleischmann, Dr. Mitja Kulczynski, Prof. Dr.-Ing. Sven Tomforde, Prof. Dr. Thomas Wilke
- Angaben
- Vorlesung
Zeit und Ort: Einzeltermin am 26.7.2024 13:00 - 14:00, CAP3 - Hörsaal 1
- Zusätzliche Informationen
- Erwartete Teilnehmerzahl: 50
infSemDeLea-01a: Master Seminar - Deep Learning (infSemDeLea-01a) (080065)- Dozentinnen/Dozenten
- Prof. Dr.-Ing. Sven Tomforde, Ghassan al Falouji, M.Eng.
- Angaben
- Seminar, 2 SWS, benoteter Schein, ECTS-Studium, ECTS-Credits: 5
Praesenzveranstaltung, Unterrichtssprache Englisch, Kick-off Meeting am 11. April 2024 von 10:00 bis 11:00 Uhr via Zoom, Info siehe Website
Zeit und Ort: n.V.
Vorbesprechung: 11.4.2024, 10:00 - 11:00 Uhr, Raum online-mündlich
- Voraussetzungen / Organisatorisches
- Ideally, students have already a background in machine learning, maybe even in deep learning. No programming skills are required as concepts are investigated by reading and analysing scientific contributions.
- Inhalt
- Deep learning is a method of machine learning (and thus a subfield of artificial intelligence) that uses artificial neural networks (KNNs) with numerous hidden layers between the input layer and the output layer, thereby forming an extensive internal structure. In recent years, Deep Learning has established itself as a standard method for solving a wide variety of learning problems. In this seminar, current developments in the field of Deep Learning are discussed. The seminar imitates a scientific conference and provides an introduction to scientific publishing.
Workload: 30 h attendance, 120 h self-study
Important: You may register in advance and select a topic. Please contact Sven Tomforde (st@informatik.uni-kiel.de) via email.
- Empfohlene Literatur
- The students will be given specific literature to work on in the seminar (changes from term to term).
- Zusätzliche Informationen
- Erwartete Teilnehmerzahl: 8
|
|
