Intelligente Systeme

Computational Intelligence

teach

Vorlesung (infCI-01a)

4 SWS, ECTS Credits: 8
Unterrichtssprache: deutsch
Zeit: Montag 14:15-15:45, Mitwoch10:15-11:45
Wintersemester 2021-22: 18.10.2021 - 22.2.2022
Mehr Informationen UnivIS oder im Modulinformationsystem

Die erste Vorlesung am Montag, 25.10.2021 um 14:15 Uhr findet ONLINE via Zoom statt. Dort werden alle organisatorischen Fragen besprochen und ein Ausblick auf den Inhalt und Aufbau des Kurses gegeben. Ziel ist es, anschließend in den Präsenzmodus zu gehen - dies ist jedoch abhängig von der Teilnehmerzahl, dem Feedback der Studierenden etc. Insofern bitten wir alle interessierten Studierenden, an der ersten Veranstaltung teilzunehmen.

 

Übung (ÜinfCI-01a)

2 SWS
Unterrichtssprache: deutsch
Zeit: Mittwoch12:15-13:45
Wintersemester 2021-22: 18.10.2021 - 22.2.2022


Kurzfassung

Der Begriff "Computational Intelligence" (CI) beschreibt ein Teilgebiet der künstlichen Intelligenz. Im Wesentlichen fasst er drei biologisch motivierte Fachgebiete der Informationsverarbeitung zusammen: Basierend auf Algorithmen der Fuzzylogik und künstlichen neuronalen Netzen sowie auf den Evolutionären Algorithmen wird die Beherrschung komplexer Systeme angestrebt und mit weiteren, typischerweise biologisch-inspirierten, Verfahren kombiniert. Urspünglich in den 1990er-Jahren vom Institute of Electrical and Electronics Engineers (IEEE) geprägt, wird der Begriff heutzutage oft synonym mit dem Soft-Computing verwendet. Alle beinhalteten Teilgebiete haben gemeinsam, dass sie Mechanismen natürlicher (d. h. insbesondere biologische, physische oder soziale) Problemlösungsstrategien für mathematische oder Ingenieur-technische Fragestellungen nutzbar machen. Dabei wird nicht auf eine direkte Übertragung oder "technische Kopie" abgezielt, sondern auf ein Verständnis und eine Imitation der Basismechanismen. Die so entwickelten Verfahren stehen im Gegensatz zu exakt-mathematischen Verfahren - man folgt eher frei dem Motto: "Erlaubt ist, was funktioniert".

 

Lernziele

Ziel der Veranstaltung ist die Vermittlung eines ersten Überblicks über das Gebiet der Computational Intelligence in Theorie und Praxis. Darauf aufbauend sollen Studierende ein Grundverständnis und entsprechende Herangehensweisen vermittelt werden, sodass insbesondere folgende Ziele erreicht werden:

  • Die Studierenden haben ein Grundverständnis der Komplexität von Technischen Systemen und wissen wie diese beherrscht werden kann.
  • Sie wissen wie scheinbar komplexe Zusammenhänge mit Mechanismen der Computational Intelligence einfach beschreiben werden können.
  • Techniken aus dem Feld Computational Intelligence / Soft Computing sowie deren Vor- und Nachteile im Vergleich sind bekannt.

 

Workload

60 Std. Vorlesung, 30 Std. Präsenzübung, 150 Std. Selbststudium

Bachelorseminar - Selbst-organisierte Systeme

fish

Bachelorseminar (infBSemIS-01a)

Seminar, 2 SWS, ECTS-Studium, ECTS-Credits: 4
Unterrichtssprache: Deutsch
Zeit und Ort: wird noch bekanntgegeben
VWintersemester 2021-22
Für weitere Informationen UnivIS oder im Modulinformationsystem


Kurzfassung

Das Seminar widmet sich dem Thema "Selbst-organisierte Systeme". Darunter werden im Kontext dieses Seminars Mengen aus autonomen und technischen Einheiten verstanden, die zusammenarbeiten, um ein gemeinsames Ziel zu erreichen. Dabei treten unterschiedliche Fragestellungen auf, die beherrscht werden müssen.

Das Seminar im Wintersemester 2020/21 widmet sich dabei der konsistenten, schnellen und zuverlässigen Speicherung sowie des damit einhergehenden Auffindens von Inhalten innerhalb solcher selbst-organisierten Systeme. Dies wird anhand von Algorithmen des Peer-to-Peer Computing untersucht.

Das Seminar im Sommersemester 2021 widmet sich dabei der Kooperation von autonomen intelligenten Systemen sowie den damit einhergehenden Interaktionsmustern innerhalb solcher selbst-organisierten Systeme. Dies wird anhand von Beispielen des Autonomic und Organic Computing untersucht.

 

Lernziele

Die Studierenden lernen, sich komplexe Sachverhalte anhand der kompakten Darstellung, wie sie in wissenschaftlichen Veröffentlichungen (d. h. Paper, Artikel oder Fachbüchern) üblich ist, eigenständig anzueignen und in verständlicher Form aufzubereiten.

 

Workload

30 Std. Mitarbeit im Seminar, 90 Std. Selbststudium

Seminar - Deep Learning

dl

Seminar (infSemDeLea-01a)

2 SWS, ECTS-Studium, ECTS-Credits: 5
für ERASMUS-/Austauschstudierende geeignet, Unterrichtssprache Englisch
Zeit und Ort: unregelmäßger Turnus
Vorlesungszeit Wintersemester 2021-2022: 18.10.2021 - 22.2.2022
Weitere Information in UnivIS oder im Modulinformationssystem

 

Die KickOff Veranstaltung für das Master-Seminar "Deep Learning" findet am Donnerstag, den 23. September 2021 um 14 Uhr als Zoom-Call statt. Dort wird der Ablauf des Seminars erläutert und es werden die Themen vergeben. Als Vorbereitung für die Themenvergabe sind die Startpaper für die Einzelthemen abrufbar. Sollten Sie Interesse an der Veranstaltung haben, sich bereits einen Platz reservieren wollen oder Fragen haben, wenden Sie sich gerne direkt an Prof. Tomforde

 

Allgemeine Information

In diesem Seminar werden wichtige Arbeiten der letzten Jahre im Bereich "Deep Learning" diskutiert. Das Seminar wird in Zusammenarbeit mit der Arbeitsgruppe "Multimedia Information Processing" angeboten. Der Schwerpunkt der Arbeit liegt daher auf Problemen im Bereich Computer Vision und aktives Lernen. Beispielsweise werden Themen wie Objekterkennung, Bildbeschreibung, Inpainting, Segmentierung, aber auch neuartige Lernmethoden diskutiert.

Themen:

 1. Object Detection / End-to-End Object Detection with Transformers (link)

 2. Object Detection / Panoptic-DeepLab: A Simple, Strong, and Fast Baseline for Bottom-Up Panoptic Segmentation (link)

 3. Image Generation / On the Spectral Bias of Neural Networks (link)

 4. Image Generation / PixelCNN (link)

 5. Disentanglement / Guided Variational Autoencoder for Disentanglement Learning (link)

 6. Online Learning / Towards continuous actions in continuous space and time using self-adaptive constructivism in neural XCSF (link)

 7. Online Learning / Off-Policy Deep Reinforcement Learning without Exploration (link)

 8. Baysian NN / Weight uncertainty in neural networks (link)

 9. Quantification Learning / Automatic plankton quantification using deep features (link)

10. 3D Reconstruction / Recurrent Neural Network for (Un-)supervised Learning of Monocular Video Visual Odometry and Depth (link)

11. Image Registration / SuperPoint: Self-Supervised Interest Point Detection and Description (link)

12. Semi-Supervised Learning / MixMatch: A Holistic Approach to Semi-Supervised Learning (link)

13. Semi-Supervised Learning / SCAN: Learning to Classify Images without Labels (link)

 

Eine vorherige erfolgreiche Teilnahme am Kurs Inf-NNDL: Neuronale Netze und tiefes Lernen ist erforderlich.

Die Bewertung in diesem Modul besteht aus der Vorbereitung einer schriftlichen Ausarbeitung, der Überprüfung von zwei Werken Ihrer Kommilitonen sowie einer Präsentation mit anschließender Diskussion.

Der gesamte Kurs findet in englischer Sprache statt. Die Ausarbeitung, Überprüfung und Präsentation (inkl. Diskussion) erfolgt in englischer Sprache.

Bei Fragen kontaktieren Sie bitte Johannes Brünger oder Simon Reichhuber

 

Schriftliche Ausarbeitung

Ihre erste Aufgabe ist es, das Ihnen zugewiesene Papier zu lesen und zu verstehen. Sie sollten auch zitierte Literatur berücksichtigen, die zum Verständnis notwendig ist. Dann sollten Sie den Inhalt Ihres Papiers in Ihren eigenen Worten zusammenfassen. Wir erwarten ungefähr 12-20 Seiten. Auch hier sollten Sie sich nicht auf Ihre Arbeit beschränken, sondern auch Begleitliteratur beifügen. Die schriftliche Ausarbeitung wird über das EasyChair-Konferenzsystem eingereicht.

Bewertungen

In einer Überprüfung sollten Sie beurteilen, ob der Autor die Aufgabe der Zusammenfassung des angegebenen Papiers erfüllt hat oder nicht. Natürlich müssen Sie auch das Originalpapier berücksichtigen.

Die Überprüfungen werden auch über das EasyChair-Konferenzsystem durchgeführt. Ihnen werden zwei Papiere zugewiesen, die Sie wie folgt bearbeiten sollten:

Zusammenfassung: Hier sollten Sie den Inhalt der Ausarbeitung kurz zusammenfassen. Dies zeigt, dass Sie als Rezensent verstanden haben, worum es geht.

Papierstärke: Hier sollten Sie auflisten, was Ihnen an der Ausarbeitung gefallen hat. Wenn Sie also Ihren Kollegen verteidigen müssten, wären dies Ihre Argumente, warum die Ausarbeitung gut ist.

Papierschwächen: Hier sollten Sie auflisten, was Ihnen an der Ausarbeitung nicht gefallen hat. Wenn Sie also die Ablehnung der Arbeit verteidigen müssten, wären dies Ihre Argumente, warum die Ausarbeitung nicht gut ist. Vorläufige Bewertung: Eine Zusammenfassung Ihrer Meinung mit Argumenten, ob die Aufgabe erfüllt wurde oder nicht.

Gesamtbewertung: Das fasst in einer Note noch einmal zusammen, ob die Ausarbeitung die Aufgabe erfüllt hat oder nicht. Diese Empfehlung wird nicht an den Autor weitergegeben. Die Bewertungen sind Teil der Bewertung in diesem Seminar und daher in Ihrer Note enthalten. Wir werden bewerten, wie gewissenhaft Sie die Arbeit Ihrer Kommilitonen überprüft haben.

Präsentation

Während der Präsentation sollten Sie eine 20-minütige Präsentation des Inhalts des Ihnen zugewiesenen Papiers geben. Anschließend möchten wir eine kurze Diskussion über die Beiträge des Papiers zur Deep Learning-Forschung führen. Sie als Redner sollten diese Diskussion leiten und sie gegebenenfalls mit Fragen beginnen, die Sie selbst vorbereitet haben. Wir planen, diese Minikonferenz online abzuhalten.


Workload

30 Std. Präsenz im Seminar, 120 Std. Selbststudium

Master Projekt - Intelligente Systeme

wb


Übung (infMPInS-01a)

4 SWS, ECTS Credits: 10
Unterrichtssprache: englisch
Zeit und Ort: Donnerstag 09:00 - 11:30 Uhr,  Ort nV.
Vorlesungszeit Wintersemester 2021-2022: 18.10.2021 - 22.2.2022
Für weitere  Informationen UnivIS oder Modulinformationssystem

5. Oktober 2021 um 14:15 Uhr: Kick off Meeting für das Master Projekt Intelligente Systeme über diesen Zoom Link. Meeting ID: 993 7924 7325 Passcode: 900778

 

Umfang

Dieses Projekt wird als Masterprojekt angeboten (bei Interesse an einer Bachelor-/Masterarbeit im Rahmen dieses Projekts wenden Sie sich bitte an Torben Schnuchel)


Gruppe

Dieses Projekt wird als Gruppenaufgabe angeboten; ein Team von 3 bis 6 Studenten ist erforderlich (die Ergebnisse werden an die Anzahl der Teilnehmer angepasst).

Motivation

Smartphones sind heutzutage mit einer Vielzahl von Sensoren ausgestattet, auf die Entwickler Zugriff haben (Beschleunigungssensor, GPS, Bluetooth, ...). Da sie diese Daten von Einzelpersonen sammeln, eignen sie sich besonders gut für Crowdsourcing-Szenarien, bei denen mehrere Teilnehmer Daten austauschen, um eine zentrale Wissensbasis aufzubauen. Ein spannendes Anwendungsszenario von Crowdsensing ist die Überwachung des Verkehrs, um verteilt Informationen über Verkehrsfluss, Straßenzustand, Unfälle etc. abzuleiten.


Aufgabe

Womit Sie arbeiten:
- Android-Framework
- Open-Source-IOT-Backend
 

Was ist Ihre Aufgabe als Gruppe?

In diesem Szenario ist Ihr imaginärer Kunde eine Stadtverwaltung, die eine Lösung erstellen möchte, um Informationen über das Straßennetz einer Stadt zu sammeln. Sie wollen eine automatische Erkennung von Straßenschäden ermöglichen und so die Straßenwartung koordinieren und optimieren können. Sie wollen einen Ansatz ausprobieren, der auf Crowdsourcing basiert; auf diese Weise können die Menschen während der Fahrt ihre Daten über eine App an die Stadt weitergeben. Die geteilten Daten bestehen aus den rohen Messwerten der Sensoren des Smartphones anstelle von aggregierten Statistiken, sodass Analysten präzise Muster aus den Daten extrahieren können.

1) Erstellen Sie einen Datensatz

Sie erhalten ein Client/Server-Setup zur Datenerfassung, bestehend aus einem Sensing-Framework für Android-Smartphones und einem Open-Source-IOT-Backend. Sie als Team planen dann eine Datenaufzeichnung, indem Sie eine Strecke mit unterschiedlichen Straßenzuständen (Asphalt, Sand, Schlaglöcher, ...) vorgeben und schließlich einen Datensatz auf dieser spezifischen Strecke erstellen. Um ein Modell zur Erkennung des Straßenzustandes zu trainieren, sollten ca. 30-60min Daten pro Schüler ausreichen.

2a) Implementierung/Evaluierung der Fahrbahnoberflächen-Vorhersage

- Studieren Sie die wissenschaftliche Literatur und identifizieren Sie 3 Modelle (z. B. verschiedene Architekturen von neuronalen Netzen), die Sie auf die Aufgabe der Fahrbahnoberflächenerkennung trainieren werden
- Trainieren Sie die Modelle auf die Aufgabe der Vorhersage der Fahrbahnoberfläche und passen Sie die Hyperparameter an die Aufgabe an

2b) Implementierung/Evaluierung des Datenschutzes

- Diese Art der gemeinsamen Nutzung von Daten ist mit erheblichen Datenschutzproblemen verbunden. Anstatt die Rohdaten zu teilen, werden Sie untersuchen, ob es möglich ist
    1) Vorhersage des Benutzers aus den Rohdaten
    2) Vorhersage des Benutzers aus Zwischendarstellungen des Modells (z. B. Aktivierung der versteckten Schichten)

2c) Optional: Auswertung Pruning (abhängig von der Anzahl der Teilnehmer)

Motivation: Einsatz von Straßenerkennungsmodellen auf Smartphones. Dazu müssen die Modelle in Bezug auf die Anzahl der Parameter schrumpfen, um den begrenzten Rechenressourcen von Smartphones Rechnung zu tragen.
- Ordnen Sie die Parameter der Netzwerke nach irgendeinem Maß (z. B. Größe, Aktivierung, ...)
- Bewerten Sie die Leistung von Netzwerken mit unterschiedlichem Grad der Beschneidung
 

Grundlagen des Moduls

Neben der eigentlichen Entwicklung der Software zielt das Modul auf praktische Erfahrungen in folgenden Bereichen ab
- Spezifikation und Definition des "Produkts" mit Standard-Software-Engineering-Werkzeugen
- Aufbau von wissenschaftlichen Experimenten unter Verwendung von Standard Data-Science Bibliotheken wie numpy/pandas/keras/tensorflow/...
- (Selbst-)Organisation im Team, Management des Prozesses, Terminüberwachung
- Gesamter Software-Entwicklungsprozess bis zur Auslieferung an den Kunden
- Dokumentation des Produkts
Ihre Betreuer überwachen den Prozess kontinuierlich in der Rolle des Kunden, d.h. es wird von Ihnen erwartet, dass Sie regelmäßig den Fortschritt demonstrieren
 

Anmeldung

Interessierte Studenten können die Gruppe (z.B. Torben Schnuchel) für weitere Details kontaktieren.