|
|
Departments >> Faculty of Engineering >> Department of Computer Science >>
|
Lehrstuhl für Informatik 14 (Maschinelles Lernen und Datenanalytik)
| |
Innovationslabor für Wearable und Ubiquitous Computing [InnoLab] -
- Lecturers:
- Björn Eskofier, Markus Zrenner, Philipp Dumbach, Malte Ollenschläger, Nils Roth, Martin Ullrich, Maike Stöve, Marlies Nitschke
- Details:
- Praktikum, 4 cred.h, graded certificate, geeignet als Schlüsselqualifikation
- Dates:
- Tue, 16:15 - 17:45, 00.010
Thu, 12:15 - 13:45, 00.010
- Fields of study:
- WF MB-MA ab 1
WF ME-MA ab 1
WF WING-MA ab 1
- Prerequisites / Organisational information:
- Themenvergabe und Terminfindung in der ersten Woche des Semesters.
Anmeldung bis 16.10.2018 über Studon.
Über die Vergabe der Seminarplätze entscheidet die Reihenfolge der Anmeldungen. Danach gibt es eine Warteliste.
Das Praktikum steht Studierenden der genannten Studienrichtungen ab dem 5. Bachelorsemester (und aller Mastersemester) ebenfalls offen. Für weitere Studiengänge und ECTS-Verteilungen bitte unter markus.zrenner@fau.de nachfragen.
Weitere Informationen zu der Lehrveranstaltung können auch unserer Webseite entnommen werden:
https://www.mad.tf.fau.de/research/projects/innovation-lab-for-wearable-and-ubiquitous-computing/
Wichtig: Jeder, der das Innovationslabor als Forschungspraktikum nutzen möchte, muss neben der Anmeldung via Studon eine Mail an markus.zrenner@fau.de schicken und die Organisatoren wissen lassen, dass sie das Innovationslabor als Forschungspraktikum nutzen wollen. Es gibt nur eine bestimmte Anzahl an Forschungspraktika.
- Contents:
- Mini-Computer, die unseren Lebensrhythmus dokumentieren, EKG-Sensoren, die jedes Detail aufzeichnen, Brillen, die uns in eine andere Realität versetzen – diesen Technologien begegnen wir mittlerweile ständig im Alltag. Im Innovationslabor für Wearable und Ubiquitous Computing werden solche Technologien von Studierenden entwickelt und gleichzeitig aufgezeigt, wie man mit diesen ein eigenes Startup gründen könnte. Gefördert wird das Labor vom Zentrum Digitalisierung Bayern (ZD.B).
Die innovativen Technologien werden dabei prototypisch in Gruppenarbeit (5-8 Studierende) unter Nutzung von agilen Entwicklungsmethoden (Scrum) geschaffen. Den Studierenden steht dabei der Zugang zum Innovationslabor offen, welches mit der nötigen Infrastruktur für die Entwicklung der Prototypen ausgestattet ist. Die Ideen für die Projekte stammen dabei entweder von kooperierenden Firmen oder von den Studierenden selbst.
Neben dem Prototyping erlernen die Teilnehmer in Tutorials die Grundlagen für innovatives Arbeiten wie Design Thinking und Patentrecherche. Zudem wird ihnen beigebracht, wie sie nach der Entwicklung ihre Ideen schützen und gegebenenfalls an den Markt bringen können.Lernziele und Kompetenzen:
• Ideation, Design Thinking
• Patentrecherche, Marktanalysetechniken
• Agile Entwicklungsmethoden (Scrum)
• Prototyping
• Sicherung geistigen Eigentums
• Einführung in Entrepreneurship, Startup Finanzierung
|
| |
Lecture Machine Learning for Time Series [MLTS] -
- Lecturers:
- Björn Eskofier, Oliver Amft, Christopher Mutschler
- Details:
- Vorlesung, 2 cred.h, graded certificate, ECTS: 2,5
- Dates:
- Wed, 8:15 - 9:45, 00.010
- Fields of study:
- WF ASC-MA ab 1
WF INF-MA ab 1
WF CE-MA-TA-MT ab 1
WF MT-MA ab 1
- Contents:
- Die Vorlesung vermittelt Konzepte des Maschinellen Lernens speziell im Hinblick auf Anwendungen bei Zeitreihen. Es handelt sich hier um eine Spezialisierungsvorlesung, eine erfolgreiche Absolvierung der Vorlesungen „IntroPR“ und/oder „Pattern Recognition“/“Pattern Analysis“ wird empfohlen. Konzepte, die in „IntroPR“ vermittelt werden, werden hier als Grundwissen vorausgesetzt.
Die folgenden Themen werden in der Vorlesung behandelt:
Ein Überblick über die Anwendungsgebiete der Zeitreihenanalyse Methodische Grundlagen des Maschinellen Lernens (ML) für die Analyse von Zeitreihen, beispielsweise Gauß-Prozesse, Monte-Carlo Sampling und Deep Learning Design, Implementierung und Evaluation von ML Methoden, um Probleme in Zeitreihen zu adressieren Arbeitstechniken in bekannten Toolboxen zur Implementierung von relevanten Methoden, beispielsweise Tensorflow/Keras
- Recommended literature:
- Machine Learning: A Probabilistic Perspective, Kevin Murphy, MIT press, 2012
The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, Springer, 2009 Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, MIT press, 1998
|
|
|
|