In unserer Veranstaltung beschäftigen wir uns praktisch damit, wie sich Methoden des maschinellen Sehens (Computer Vision) und maschinellen Lernens (Machine Learning / Deep Learning) auf digitale Objekte des kulturellen Erbes anwenden lassen. Zum Einsatz kommen Googles Colab, Jupyter Notebooks und TensorFlow. Grundkenntnisse von / in Python sind nicht verkehrt.
Woche 1: 5. April
Woche 2: 12. April
Woche 3: 19. April
Woche 4: 26. April
Datenstrukturen und Numpy. Link zum Notebook mit Beispiele.
Woche 5: 3. Mai
Klassifizierung von Katzen und Hunden. Link zum Notebook mit Beispiele.
Woche 6: 10. Mai
Woche 7: 17. Mai
Projektplanung und Gruppen.
Woche 8: 24. Mai
Erstellung von Gruppen und Angabe der Themen.
Projektarbeit. Fragen und Diskussionen bei Bedarf.
Woche 9: 31. Mai
Projektarbeit. Fragen und Diskussionen bei Bedarf.
Woche 10: 14. Juni
Lageberichte.
Woche 11: 21. Juni
Projektarbeit. Fragen und Diskussionen bei Bedarf.
Woche 12: 28. Juni
Lageberichte. Vortrag.
Woche 13: 5. Juli
Projektarbeit. Fragen und Diskussionen bei Bedarf.
Woche 14: 12. Juli
Letzte Lageberichte. Diskussionen über Fertigstellung.
Studienleistung Hauptseminar
- Entwicklung einer eigenen Projektidee
- Regelmäßige Vorstellung der Projektidee
Modulprüfungsleistung AM2
- Abgabe finales Projekt (Code, Ergebnisse, etc.) über GitHub-Repository und / oder Google Colab
- Jede Teilnehmerin / jeder Teilnehmer schreibt ein Essay von mindestens 1700 Wörtern (Deckblatt und Literaturverzeichnis ausgenommen) über die verwendeten Technologien (z.B. Convolutional Neural Networks, Computer Vision, etc.), ihren theoretischen Hintergrund und über die Projektresultate
Stichtag: 16. September.