Computer Vision und Maschinelles Lernen 1

Worum geht's

Du lernst Grundlagen der Bildaufnahme, projektiven Geometrie und Bildverarbeitung sowie grundlegende Methoden des maschinellen Lernens. Am Ende kannst Du Bilder geometrisch und im Frequenz-/Ortsraum analysieren, einfache CV-Operationen implementieren und klassische Verfahren zur Klassifikation und Regression konzipieren und bewerten.

Was du danach kannst

Projektive Geometrie und Bildaufnahme nachvollziehen
Geometrische Zusammenhänge in den projektiven Raum abstrahieren
Operationen im Ortsraum entwerfen und implementieren
Bildbeschreibung und -analyse mittels Fourier- und Wavelet-Transformationen anwenden
Grundlagen des maschinellen Lernens wiedergeben
Formale Lernprobleme abstrakt darstellen
ML-Verarbeitungsketten konzipieren und evaluieren
Deterministische Verfahren für Klassifikation und Regression ableiten

Aus was das Modul besteht

VorlesungVermittlung der theoretischen Grundlagen zu Computer Vision und Machine Learning
Programmierübungen in Kleingruppenpraktische Umsetzung und Festigung der Algorithmen
Impulsvorträge der StudierendenVertiefung einzelner Themen und Präsentationspraxis
LiteraturrechercheEigenständige Auseinandersetzung mit Fachliteratur

Lehrmethode

Vorträge der DozierendenErklärung von Theorie und Konzepten
Programmierübungen in Kleingruppenpraktische Anwendung und Implementierung
LiteraturrechercheVertiefung und Erweiterung des Vorlesungsstoffs
Impulsvorträge der StudierendenAktive Beteiligung und Präsentation einzelner Themen

Termine

Vorlesung mit ÜbungComputer Vision 12 Gruppen zur Wahl

AMi.13:15–14:45
Externer Ort (siehe Anmerkung)
8× · 14.10.–03.02.
- 14.10.
- 28.10.
- 11.11.
- 25.11.
- 09.12.
- 23.12.
- 20.01.
- 03.02.
BMo.09:45–11:15
Externer Ort (siehe Anmerkung)
15× · 12.10.–01.02.
- 12.10.
- 19.10.
- 26.10.
- 02.11.
- 09.11.
- 16.11.
- 23.11.
- 30.11.
- 07.12.
- 14.12.
- 21.12.
- 11.01.
- 18.01.
- 25.01.
- 01.02.

Aus dem laufenden Semester, unverbindlich. Von mehreren Gruppen besucht man eine; der Stundenplan schlägt automatisch die mit den wenigsten Überschneidungen vor.

Filter