KI in der Bildverarbeitung
Was können Sie in diesem Kurs lernen?
- Du kannst einen grundlegenden Überblick über Fachbereich und Anwendungsgebiete geben und eine erste Verknüpfung zu eigenen Problemstellungen herstellen.
- Du kannst die grundlegende Funktionsweise des Maschinellen Lernens (ohne Mathematik) widergeben und kannst die Konzepte Merkmalsraum, Klassifikationsgerade und Training erläutern.
- Du kannst die speziellen Probleme der Merkmalsbeschreibung bei der Arbeit mit Bilddaten benennen und verfügst über Grundkenntnisse zu Maschinellem Lernen mit Neuronalen Netzen.
- Du kannst grundlegend CNNS zur impliziten Merkmalsbeschreibung erläutern.
- Du bist in der Lage, die theoretischen Kenntnisse auf praktische Anwendungsfälle zu übertragen und die gelernten Kursinhalte mit eigenen Problemstellungen zu verknüpfen. Du kannst das Konzept der Generalisierbarkeit und das Problem der Überanpassung darstellen.
Gliederung
Kapitel 1: Einführung
- 1.1 Einführung
- 1.2 Anwendungsbeispiele
Kapitel 2: Grundkonzepte maschinellen Lernens
- 2.1 Einführung
- 2.2 Entscheidungsfindung und Klassifikation
- 2.3 Objekte und Merkmale
- 2.4 Merkmalsraum
- 2.5 Lernen auf Merkmalen
- 2.6 Relevanz von Merkmalsbeschreibung
Kapitel 3: Maschinelles Lernen auf Bildern
- 3.1 Einführung
- 3.2 Neuronale Netze
- 3.3 Convolutional Neural Networks (CNN)
Kapitel 4: Anwendungen und praktische Aspekte
- 4.1 Anwendungen von Bildklassifikation
- 4.2 Überanpassung und Generalisierbarkeit
Kapitel 5: Abschluss/Zertifikat
Autoren*innen
Jannis Hagenah
Bereits während meines Studiums, noch vor dem großen Hype, haben mich die Themen Künstliche Intelligenz und Maschinelles Lernen gepackt und seitdem nicht mehr losgelassen. Frei nach dem Motto „what I cannot create, I do not understand“ forsche ich daher am Einsatz intelligenter Algorithmen in der computergestützten Chirurgie. Nach einem Promotions-Stipendium der Graduate School for Computing in Medicine and Life Science arbeite ich seit 2017 als wissenschaftlicher Mitarbeiter am Institut für Robotik und Kognitive Systeme der Universität zu Lübeck. Meine Forschungsinteressen umfassen Maschinelles Lernen, Deep Learning und Representation Learning, Medizinische Robotik und Computer Vision.
Ich
bin der festen Überzeugung, dass Wissenschaft zwar im akademischen
Elfenbeinturm stattfinden soll und darf, dass die gewonnenen
Erkenntnisse diesen aber auch verlassen müssen, um den größtmöglichen
gesellschaftlichen Mehrwert zu bieten. Daher setze ich mich dafür ein,
Menschen das Fachgebiet der Künstlichen Intelligenz näher zu bringen,
sowohl im Rahmen der Hochschullehre als auch in Form von Vorträgen und
Workshops für Unternehmen oder Schüler*Innen.
(Foto von Jannis Hagenah unter der Lizenz CC-BY 4.0)
Teilnahmebestätigung
In diesem Kurs kannst du Badges und ein Weiterbildungszertifikat erhalten.