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

Folien.

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.