Departement für Mathematik und Informatik Thomas Vetter
|
|
- Helge Schubert
- vor 5 Jahren
- Abrufe
Transkript
1 Lebenslauf Studium Physik und Mathematik in Ulm 989 Promotion in Biophysik PostDoc am M.I.T. USA Max-Planck-Institut für biol. Kybernetik Tübingen Professor für Computer Graphik an der Universität Freiburg i.br Professor für Angewandte Informatik an der Universität Basel
2 Arbeitsgebiete Studium: Physik und Mathematik 989 Promotion in Biophysik: Neurobiologie, Fluoreszenzmessung, Simulation M.I.T. : Computer Vision Max-Planck-Institut : Computer Vision, Psychophysik, Computer Graphik Professor für Computer Graphik an der Universität Freiburg i.br Basel: Computer Graphik, Computer Vision Arbeitsgebiete Promotion in Biophysik: Neurobiologie, Fluoreszenzmessung, Simulation Fragestellung: Wie funktioniert der el. Informationsfluss innerhalb einer Nervenzelle
3 Neurobiologie in Schnelldurchgang Membran Aktionspotential 3
4 Gesichterkennung durch die Analyse der Bildpixel.? Doch welcher Pixel soll mit welchem verglichen werden? Wissen um Gesichter und Geometrie gibt Hilfestellung. Verändern Sie sich... 4
5 Parametrisiertes Modellieren von Gesichtern Variation eines Bildes nach: Blickwinkel Gesichtsausdruck Ähnlichkeit in Familien Lichtverhältnis Fülle eines Gesichts Variationen eines Gesichts Datenbasis parametrisiertes Gesichts Modell Gesichtsanalyse Modellieren Vorlage 3D Modell Variation 5
6 Computer Graphik ist mehr als nur Bilder! Computer Graphics Computer Vision Machine Learning Ansatz: Beispielbasiertes Modellieren D Bild 3D Beispieldaten = w * + w * + w 3 * + w 4 *
7 Repräsentation (): Zylinderkoordinaten h rot(h,f) grün(h,f) blau(h,f) f h Radius(h,f) f Addition von Gesichtern + = Überlagerung 3D Morph 7
8 8 Repräsentation (): Form- und Farbvektoren..., b g r b g r z y x z y x t s Referenz Kopf Datenpunkte...,... b g r b g r z y x z y x s i t i Kopf i..., b g r b g r z y x z y x t s Repräsentation (): Form- und Farbvektoren Referenz Kopf
9 3D Gesichtsvektorraum Linearkombinationen erzeugen neue Gesichter. a * + a * + a 3 * + a 4 * +... = b * + b * + b 3 * + b 4 * +... Modellieren von Gesichtern Modellieren 9
10 Stetiges Modellieren von Gesichtern Karikatur Original Mittelwert Gegengesicht Variation eines Gesichts Welche Richtung entspricht einem bestimmten Attribut? 0
11 Lernen aus Beispielen Anpassen einer Regressionsfunktion Attribute eines Gesichts Geschlecht Gewicht Original
12 Gesichtsausdruck als Richtungsvektor Original: - = Lächeln Neues Gesicht: + Lächeln = Variationen eines Gesichts Datenbasis parametrisiertes Gesichts Modell Gesichtsanalyse Modellieren Vorlage 3D Modell Variation
13 Morphable Model zur Bildanalyse = 3 R 3 Output Fehlerfunktion Bilddifferenz E I ( x, y) I ( x, y Image model input ) x, y Wahrscheinlichkeit der Parameter E prior log( p( a i, b,...) ) i Zu optimieren E E E Image Prior 3
14 Gesichterkennung Vielfältiges Erscheinungsbild CMU-PIE Testbilder 3D Computer Graphik 4
15 Modellieren von Bildern Eine neue Frisur gefällig? 3D Geometrie und Textur 3D Winkel, Position Beleuchtung, Verdeckung 5
16 Eine neue Frisur gefällig? 3D Geometrie und Textur 3D Winkel, Position Beleuchtung, Verdeckung 6
17 Portraits made to Measure Results Original Face % Correct ratings Aggressiveness Extroversion Likeability Aggressiveness Extroversion Likeability Risk Seeking Personality traits Social Skills Trustworthiness Risk Seeking Social Skills Trustworthiness Surface Data Prediction 3D Surface Data Base Analysis 3D Input Statistical Original Prediction 7
18 Application Mein Dank gilt: Sandro Schönborn Andreas Forster Bernhard Egger Marcel Lüthi Mirella Walker 8
Digitale Bildverarbeitung Einheit 12 3D-Modellierung
Digitale Bildverarbeitung Einheit 12 3D-Modellierung Lehrauftrag WS 05/06 Fachbereich M+I der FH-Offenburg Dipl.-Math. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einen Eindruck
Mehr3D-Rekonstruktion, Animation und Erkennung von Gesichtern aus Einzelbildern auf der Basis eines Morphable Models
3D-, und von Gesichtern aus Einzelbildern auf der Basis eines Morphable Models Kristina Scherbaum, Matrikel-Nummer 12123, ks29@hdm-stuttgart.de Max-Planck-Institut für Informatik, Saarbrücken 3D von Gesichtern
MehrDigitale Bildverarbeitung Einheit 12 3D-Rekonstruktion
Digitale Bildverarbeitung Einheit 12 3D-Rekonstruktion Lehrauftrag SS 2008 Fachbereich M+I der FH-Offenburg Dr. Bernard Haasdonk Albert-Ludwigs-Universität Freiburg Ziele der Einheit Einen Eindruck davon
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrVisuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel
Visuelle Bildsuche und Bildnavigation Prof. Dr. Kai Uwe Barthel Übersicht Probleme der Bildsuche Textbasierte Bildsuche Visuelle (Low-Level-)Bildsuche Fusion der Suchprinzipien Automatisches Bildverstehen
MehrErgebnisse der schriftlichen Zwischenprüfung Frühjahr 2018 Gärtner/Gärtnerin - Fachrichtung Garten- und Landschaftsbau Zuständige Stelle: Gartenbauzen
2000000885 2 2 4 5 6 5 4 4 2000003796 3 3 2 4 4 2 2 3 2000008262 2 2 2 6 5 5 3 2 2000010756 3 3 2 5 5 4 5 3 2000030386 2 3 1 5 5 3 4 4 2000040144 4 4 4 4 6 4 4 3 2000047293 1 4 3 2 6 5 5 4 2000062196 1
MehrBUILDINGS FROM IMAGES T H I E N P H A M G R U N D S E M I N A R W S 1 5 / 1 6 B E T R E U E R : P R O F. D R. P H I L I P P J E N K E
BUILDINGS FROM IMAGES T H I E N P H A M G R U N D S E M I N A R W S 1 5 / 1 6 B E T R E U E R : P R O F. D R. P H I L I P P J E N K E AGENDA Einführung Beispiele zur Gebäudeerkennung 3D-Objekte in der
MehrBayessche Lineare Regression
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Baessche Lineare Regression Niels Landwehr Überblick Baessche Lernproblemstellung. Einführendes Beispiel: Münzwurfexperimente.
MehrBegrüssung der Erstsemestrigen
Begrüssung der Erstsemestrigen Malte Helmert Universität Basel 18. September 2017 Wer bin ich? Kontakt Prof. Malte Helmert Spiegelgasse 1, Raum 06.004 WWW: http://ai.cs.unibas.ch/people/helmert/ E-Mail:
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2016 Der Bachelorstudiengang Wirtschaftsinformatik
MehrAnalysis of Crash Simulation Data using Spectral Embedding with Histogram Distances
Analysis of Crash Simulation Data using Spectral Embedding with Histogram Distances Luisa Schwartz Universität Bonn Institut für Numerische Simulation Fraunhofer SCAI 25. September 2014 Luisa Schwartz
MehrStochastische Prozesse Woche 1. Oliver Dürr. Winterthur, 24 Februar 2016
Stochastische Prozesse Woche 1 Oliver Dürr Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften oliver.duerr@zhaw.ch Winterthur, 24 Februar 2016 1 Kontakt Oliver
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Sommersemester 2017 Der Bachelorstudiengang Wirtschaftsinformatik
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 08. Januar 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
MehrStochastische Prozesse Woche 1. Oliver Dürr. Winterthur, 24 Februar 2015
Stochastische Prozesse Woche 1 Oliver Dürr Institut für Datenanalyse und Prozessdesign Zürcher Hochschule für Angewandte Wissenschaften oliver.duerr@zhaw.ch Winterthur, 24 Februar 2015 1 Kontakt Oliver
MehrSuperpixels for Skin Segmentation
Farbworkshop Wuppertal 2014 1 Superpixels for Skin Segmentation Frerk Saxen und Ayoub Al-Hamadi 2 Fachgebiet Neuro-Informationstechnik Unter Leitung von Prof. Ayoub Al-Hamadi 18 Mitarbeiter Davon 12 Doktoranden
MehrEinführung in die Bioinformatik: Lernen mit Kernen
Einführung in die Bioinformatik: Lernen mit Kernen Dr. Karsten Borgwardt Forschungsgruppe für Maschinelles Lernen und Bioinformatik Max-Planck-Institut für Intelligente Systeme & Max-Planck-Institut für
MehrEigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection
Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection P. Belhumeur, J. Hespanha, D. Kriegman IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 19, No. 7, July
MehrÜbersicht & Einführung
Michael Wand Institut für Informatik. Angewandte Mathematik am Rechner 2 WINTERSEMESTER 2017/18 *#$?!! Kapitel 0 Übersicht & Einführung Links! WWW-Ressourcen Webseite zum Praktikum Einstieg (Weiterleitung
MehrAlltagstaugliche Objekterkennung
servicerobotik autonome mobile Serviceroboter, ZAFH Servicerobotik Institut für Informatik Hochschule Ulm AG Schlegel: B. Sc. Timo Hägele, M. Sc. Siegfried Hochdorfer, M. Sc. Matthias Lutz, M. Sc., M.
MehrModellbasierte Animation und Manipulation von Gesichtern in Bildern Model-Based Animation and Manipulation of Faces in Images
Modellbasierte Animation und Manipulation von Gesichtern in Bildern Model-Based Animation and Manipulation of Faces in Images Blanz, Volker; Seidel, Hans-Peter Max-Planck-Institut für Informatik, Saarbrücken
MehrErschließung von Archiven mit historischen Fotografien
Erschließung von Archiven mit historischen Fotografien Potenziale durch Algorithmen und Citizen Science? Wolfgang Dorner, Anne Weinfurtner, Simon Graf Erfahrungswerte und Überlegungen Die Idee BAYERN
MehrData Mining & Machine Learning Dipl.-Inf. Christoph Carl Kling
Web Science & Technologies University of Koblenz Landau, Germany Data Mining & Machine Learning Dipl.-Inf. Christoph Carl Kling Mündliche Prüfung Welche Methoden gibt es? Wie sind die Annahmen für die
MehrBildverarbeitung. Albert-Ludwigs-Universität Freiburg
Grundlagen der Mustererkennung e e u (Kursvorlesung) Prof. Dr. H. Burkhardt Lh Lehrstuhl thlfür Mustererkennung und Bildverarbeitung Institut t für Informatik Albert-Ludwigs-Universität Freiburg H. Burkhardt,
MehrImage: (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen
Image: https://pixabay.com/de/netz-netzwerk-programmierung-3706562/ (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen Künstliche Intelligenz Was ist das überhaupt? Was kann sie (nicht)?
MehrMaster-Studiengang & Bewerbung/Zulassung. Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich
Master-Studiengang & Bewerbung/Zulassung Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich Master's in Data Science 120 Core Courses 62 Data Analysis 16 Information and Learning
MehrNeuronale Netze. Anna Wallner. 15. Mai 2007
5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente
MehrInstitut für Technologie- und Prozessmanagement (ITOP) Vorstellung des Schwerpunkts
Fakultät für Mathematik und Wirtschaftswissenschaften Institut für Technologie- und Prozessmanagement Institut für Technologie- und Prozessmanagement (ITOP) Vorstellung des Schwerpunkts Seite 2 Agenda
Mehr0 Einführung. Computergrafik. Computergrafik. Abteilung für Bild- und Signalverarbeitung
F1 Inhaltsverzeichnis 1 Hardwaregrundlagen 2 Transformationen und Projektionen 3 Repräsentation und Modellierung von Objekten 4 Rasterung 5 Visibilität und Verdeckung 6 Rendering 7 Abbildungsverfahren
MehrMathematisch-algorithmische Grundlagen für Big Data
Mathematisch-algorithmische Grundlagen für Big Data Numerische Algorithmen für Datenanalyse und Optimierung Prof. Dr. Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg Sommersemester 2017
MehrPromotionsfeier. Promotionen des Fachbereichs 10 Mathematik und Informatik im SS 2013
Promotionsfeier Promotionen des Fachbereichs 10 Mathematik und Informatik im SS 2013 Promotionen im Juli 2013 Herr Stefan Diepenbrock Herr Dirk Feldmann Herr Sören Christian Gröttrup Herr Jan Hegemann
MehrDatenorientierte SA. Aufbau und Grundlagen. Aufbau und Grundlagen. Aufbau und Grundlagen. Was sind neuronale Netze?
Datenorientierte SA Was sind neuronale Netze? Neuronale Netze: Grundlagen und Anwendungen Neuronale Netze bilden die Struktur eines Gehirns oder eines Nervensystems ab Andreas Rauscher 0651993 Damir Dudakovic
MehrÜbersicht über die Themen
Übersicht über die Themen 1. Beschreibung von natürlichem Terrain, insbes. unter Wasser 2. Handgestenerkennung für mobile Augmented Reality (AR) Anwendungen 3. Deep Learning im Bereich Gesichtswiedererkennung
MehrComputer Graphics Shader
Computer Graphics Shader Sven Janusch Inhalt Fixed Function Pipeline Programmable Pipeline Implementierung Applikation Beispiel Sven Janusch 2 Fixed Function Pipeline T&L Pipeline (Transformation and Lighting)
MehrVERANSTALTUNGSVERZEICHNIS FACHRICHTUNG 6.1 MATHEMATIK WINTERSEMESTER 2016/17
VERANSTALTUNGSVERZEICHNIS FACHRICHTUNG 6.1 MATHEMATIK WINTERSEMESTER 2016/17 Informationsveranstaltungen Einfuehrungsveranstaltung fuer Studierende der am 24.10.2016 Mo 14:00-15 in HS I, Geb. E2 5 Erster
MehrPrüfungstermine WS 2017/18 Wirtschaftsinformatik Bachelorstudiengang
Prüfungskommission Wirtschaftinformatik Wirtschaftsinformatik Betriebswirtschaftliche Verfahren (BWL 2) Montag, 22. Januar 2018 12:30 14:00 S 0.11 Grundlagen der Betriebswirtschaftslehre Montag, 22. Januar
MehrÜbersicht Kapitel 9. Vektorräume
Vektorräume Definition und Geometrie von Vektoren Übersicht Kapitel 9 Vektorräume 9.1 Definition und Geometrie von Vektoren 9.2 Teilräume 9.3 Linearkombinationen und Erzeugendensysteme 9.4 Lineare Abhängigkeiten
MehrPPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.
PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt
MehrVerwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen
Verwendung von LS-OPT zur Generierung von Materialkarten am Beispiel von Schaumwerkstoffen Katharina Witowski (DYNAmore GmbH) Peter Reithofer (4a engineering GmbH) Übersicht Problemstellung Parameteridentifikation
MehrKonvexe Hülle im R 3 + WSPD
Übung Algorithmische Geometrie Konvexe Hülle im R 3 + WSPD LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Andreas Gemsa 12.07.2012 Ablauf Konvexe Hülle im R 3
MehrMorphologische Bildverarbeitung I
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Abteilung Stochastik Abteilung Angewandte Informationsverarbeitung SS 03 Morphologische Bildverarbeitung I Vortrag mit Programmvorstellung
MehrAnwendungen der Hauptkomponentenanalyse. Volker Tresp vertreten durch Florian Steinke
Anwendungen der Hauptkomponentenanalyse Volker Tresp vertreten durch Florian Steinke 1 Dimensionsreduktion für Supervised Learning 2 Beispiel: Kaufentscheidung 3 Verbesserte Abstandsmaße durch Hauptkomponentenanalyse
MehrBioinformatik I (Einführung)
Kay Diederichs, Sommersemester 2017 Bioinformatik I (Einführung) Algorithmen Sequenzen Strukturen PDFs unter http://strucbio.biologie.unikonstanz.de/~dikay/bioinformatik/ Klausur: Fr 28.7. 10:00-11:00
MehrBioinformatik I (Einführung)
Kay Diederichs, Sommersemester 2015 Bioinformatik I (Einführung) Algorithmen Sequenzen Strukturen PDFs unter http://strucbio.biologie.unikonstanz.de/~dikay/bioinformatik/ Klausur: Fr 17.7. 10:00-11:00
MehrQuantenrechner. Ideen der Informatik Kurt Mehlhorn
Quantenrechner Ideen der Informatik Kurt Mehlhorn Übersicht Vorteile von Quantenrechnern Qbits und Überlagerungen Quantenrechner Grovers Algorithmus Technische Realisierung Zusammenfassung Quantenrechner
MehrEinführung in die Didaktik der Informatik D. Engbring mündl.
Bachelor Pflicht BA-INF 021 Lineare Algebra Th. Räsch 02.08.2016/ 9-12 Uhr HS IX+X Hauptg. 12.09.2016/ 9-12 Uhr HS IX+X Hauptg. schriftlich BA-INF 022 Analysis M. Welter 26.07.2016/9.30-11.30Uhr HS IX+X
MehrInteraktive Web basierte Graphiken mit ggvis
Interaktive Web basierte Graphiken mit ggvis Alexander Lunge Arbeitsbereich Wissenschaftliches Rechnen Fachbereich Informatik Fakultät für Mathematik, Informatik und Naturwissenschaften Universität Hamburg
MehrChaos-based Image Encryption
1 / 25 PS Einführung Kryptographie und IT-Sicherheit Chaos-based Image Encryption D. Schwarz, S. Ebner SS 2017 2 / 25 Übersicht 1 Einleitung & Motivation 2 Erstellung einer Chaos basierten Verschlüsselung
MehrEffizientes Fotomanagement auf Basis automatisierter Bildanalyse
Effizientes Fotomanagement auf Basis automatisierter Bildanalyse Am Beispiel der Technologie Photo Summary Uwe Kühhirt Gruppe Audiovisuelle Systeme Fraunhofer IDMT, Ilmenau uwe.kuehhirt@idmt.fraunhofer.de
MehrLars Schmidt-Thieme et al., Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany, 0/13
0/13 Lehrveranstaltungen Wintersemester 2011/2012 WI-Gebiet Anwendungssysteme (teilw.) WI-Gebiet Business Intelligence Informatik-Gebiet KI & Maschinelles Lernen Prof. Dr. Dr. Lars Schmidt-Thieme Information
MehrDie Datenmatrix für Überwachtes Lernen
Die Datenmatrix für Überwachtes Lernen X j j-te Eingangsvariable X = (X 0,..., X M 1 ) T Vektor von Eingangsvariablen M Anzahl der Eingangsvariablen N Anzahl der Datenpunkte Y Ausgangsvariable x i = (x
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrEvolution und Algorithmen
Kapitel 6 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrFoundations of Image Formation and. Pattern Recognition
Foundations of Image Formation and Picture Analysis - Pattern Recognition Prof. Dr. H. Burkhardt Chair of Pattern Recognition and Image Processing Computer Science Faculty Albert-Ludwigs-University of
MehrFitting 3D Models to Images
Proseminar "Aufgabenstellungen der Bildanalyse und Mustererkennung" Fitting 3D Models to Images WS 08/09 Gliederung Einleitung Pose Consistency perspective Camera affine/projective Camera Linearkombinationen
MehrH. Gruber, R. Neumann. Erfolg im Mathe-Abi. Übungsbuch für den Pflichtteil Baden-Württemberg mit Tipps und Lösungen
H. Gruber, R. Neumann Erfolg im Mathe-Abi Übungsbuch für den Pflichtteil Baden-Württemberg mit Tipps und Lösungen Inhaltsverzeichnis Inhaltsverzeichnis Themen des Pflichtteils... Analysis Von der Gleichung
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Bachelorstudiengang Wirtschaftsinformatik
MehrPartikelsysteme. Lehrstuhl Computergrafik und Visualisierung Fakultät Informatik TU Dresden. Proseminar Computergrafik.
58 Partikelsysteme Lehrstuhl Computergrafik und Visualisierung Fakultät Informatik TU Dresden Proseminar Computergrafik Robert Stelzmann Gliederung 1. Einleitung und Motivation 2. Begriffsklärung 3. Einfache
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrDie Photonik Bachelorausbildung vor dem Hintergrund von Industrie 4.0. Prof. Dr. Andreas Ettemeyer NTB Buchs
Die Photonik Bachelorausbildung vor dem Hintergrund von Industrie 4.0 Prof. Dr. Andreas Ettemeyer NTB Buchs NTB 200 Mitarbeitende 40 Professoren Budget: 30 Mio CHF Lehre: 15.5 Mio CHF (55%) af&e: 14.5
MehrPrüfungsplan Master of Science in Wirtschaftsinformatik
Prüfungsplan Master of Science in Wirtschaftsinformatik Modul Art Creditpunkte Schwerpunkt Very Large Business Applications Module aus dem Bereich Wirtschaftsinformatik SWS Empfohlenes Semester Prüfungsart
MehrModulliste. für den Masterstudiengang. Informatik. an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Informatik an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2016 Der Masterstudiengang Informatik (INF) Dieser Masterstudiengang
MehrBio-Inspired Credit Risk Analysis
Bio-Inspired Credit Risk Analysis Computational Intelligence with Support Vector Machines Bearbeitet von Lean Yu, Shouyang Wang, Kin Keung Lai, Ligang Zhou 1. Auflage 2008. Buch. XVI, 244 S. Hardcover
MehrOOP. Mit Zahlen rechnen. Henrik Horstmann
OOP Mit Zahlen rechnen Henrik Horstmann 15. September 2014 Inhaltsverzeichnis Inhaltsverzeichnis 1 Bedeutung der Symbole...1 2 Ein Taschenrechner zum Addieren...2 3 Die Benutzereingaben...3 4 Strings in
MehrLearning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation. Yupeng Guo
Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation Yupeng Guo 1 Agenda Introduction RNN Encoder-Decoder - Recurrent Neural Networks - RNN Encoder Decoder - Hidden
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Bildanalyse Literatur David A. Forsyth: Computer Vision i A Modern Approach. Mark S. Nixon und Alberto S. Aguado: Feature Extraction and Image Processing. Ulrich Schwanecke:
MehrVorstellung IAZ - Lehre 2018/19
Vorstellung IAZ - Lehre 2018/19 Vorstellung IAZ - Lehre 2018/19 Haupt-Arbeitsgebiete:. Darstellungstheorie (von Gruppen, Algebren); gewöhnliche/modulare Darstellungen; kategorieller Zugang (homologische
MehrPICALIKE UPLOAD API DOKUMENTATION
PICALIKE UPLOAD API DOKUMENTATION 2 INDEX EINFÜHRUNG PICALIKE 3 ABLAUF 3 VORAUSSETZUNG 4 PFLICHTFELDER 4 WEITERE FELDER 4 API 5 ÄHNLICHKEITSSUCHE MIT UPLOAD 5 DEMO-RESULT 6 WEITERE EINSTELLUNGEN 7 KONTAKT
MehrBalanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning
Balanced Manufacturing: Datenbasierte Modellbildung mittels Machine Learning IFT - Institute for Production Engineering and Laser Technology DI Benjamin Mörzinger Energieeffizienz: Motivation Quelle: science.sciencemag.org
MehrBig Data-Ansätze zur Vorhersage intra-urbaner Hitzeinseln
Intra-urbane Hitzeinseln Nationales Fernerkundungsforum Berlin 1 Nationales Forum für Fernerkundung und Copernicus 2018 Copernicus gestaltet Fachsession: Mit Fernerkundung und Copernicus auf dem Weg zur
MehrDynamically Reparameterized Light Fields
Dynamically Reparameterized Light ields Aaron Isaksen Leonard McMillan Steven J. Gortler MIT LCS Computer Graphics Group GDV Seminar 2000 Präsentation: Simon Schirm Betreuer: Stephan Würmlin Übersicht
MehrWillkommen an der ETH Zürich
Willkommen an der ETH Zürich Willkommen in der Informatik Gustavo Alonso, Studiendirektor,, ETH Zürich 04.11.2015 2 Informatik @ ETH seit 60 Jahren Wann Was 1948 Institut für angewandte Mathematik 1950
MehrSimulation Model for a Needs-Based Health Care Planning in Switzerland The Example of Coronary Heart Disease
WENNBERG INTERNATIONAL COLLABORATIVE SPRING POLICY MEETING 2018 Simulation Model for a Needs-Based Health Care Planning in Switzerland The Example of Coronary Heart Disease Justus Gallati justus.gallati@hslu.ch
MehrA parameterised 3D-Structure-Model for the state of Bremen (Germany)
A parameterised 3D-Structure-Model for the state of Bremen (Germany) An application for detailled groundwater flow and transport studies Bremen Geography and Geology 3 Bremen Geography and Geology 4 Structual
MehrLindenmayer-Systeme. Zusammenfassung des Vortrags im Proseminar Theoretische Informatik. Benjamin Aram Berendsohn 11.
Lindenmayer-Systeme Zusammenfassung des Vortrags im Proseminar Theoretische Informatik Benjamin Aram Berendsohn 11. November 2014 1 Geschichte Lindenmayer-Systeme, kurz L-Systeme, wurden zuerst 1968 von
MehrGeistige Anforderungen im Studium
Geistige Anforderungen im Studium Einleitung Unter geistigen Anforderungen ist zu verstehen, wie viel Aufmerksamkeit, Konzentration, Präzision und Sorgfalt das gewählte Studium erfordert und ob mehrere
MehrModulliste. für den Bachelorstudiengang. Informatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Informatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Wintersemester 2016/2017 Der Bachelorstudiengang Informatik (INF) Das Bachelorstudium
MehrQuantenrechner. Ideen der Informatik
Quantenrechner Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Vorteile von Quantenrechnern Qbits und Überlagerungen Quantenrechner Grovers Algorithmus Technische Realisierung
MehrKamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen
Kamerabasierte Erkennung von Fußgängern in urbanen Verkehrsszenen Vortragender: Studiengang: Betreuer: Yeyi Qiu Fahrzeugtechnik Prof. Dr. rer. nat. Toralf Trautmann M. Sc. Patrick Richter Seite 01 von
MehrAlgorithmik. Vorkurs Informatik WS 2018/2019. Dennis Aumiller
Vorkurs Informatik WS 2018/2019 Dennis Aumiller Aumiller@stud.uni-heidelberg.de 10.10.2018 Über mich 11. Semester, gerade an meiner Masterarbeit Mein Büro befindet sich direkt neben der Fachschaft (Mathematikon,
MehrSustainability Balanced Scorecard as a Framework for Eco-Efficiency Analysis
Sustainability Balanced Scorecard as a Framework for Eco-Efficiency Analysis Andreas Möller amoeller@uni-lueneburg.de umweltinformatik.uni-lueneburg.de Stefan Schaltegger schaltegger@uni-lueneburgde www.uni-lueneburg.de/csm
MehrWas ist Statistik? CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin
CASE Center for Applied Statistics and Econometrics Institut für Statistik and Ökonometrie Humboldt-Universität zu Berlin http://ise.wiwi.hu-berlin.de http://www.xplore-stat.de http://www.md-stat.com Grundlagen
MehrWie können Computer lernen?
Wie können Computer lernen? Ringvorlesung Perspektiven der Informatik, 18.2.2008 Prof. Jun. Matthias Hein Department of Computer Science, Saarland University, Saarbrücken, Germany Inferenz I Wie lernen
MehrBewerbungsbogen / Application Form
Lehr- bzw. Forschungsassistenzen / Research and Teaching Assistantships im Rahmen des DAAD-Projekts / DAAD Project STIBET Doktoranden Bewerbungsbogen / Application Form PERSÖNLICHE ANGABEN DES/DER HOCHSCHULLEHRERS/-IN
MehrStudienplan für den Masterstudiengang Wirtschaftsmathematik am Karlsruher Institut für Technologie (KIT)
Studienplan für den Masterstudiengang Wirtschaftsmathematik am Karlsruher Institut für Technologie (KIT) Fakultäten für Mathematik und Wirtschaftswissenschaften 25.01.2017 Vorbemerkung Dieser Studienplan
MehrTest zur Geometrischen Kreativität (GCT-DE)
Pädagogische Hochschule in Schwäbisch Gmünd Institut für Mathematik und Informatik Abteilung Informatik Test zur Geometrischen Kreativität (GCT-DE) Erstellt von Mohamed El-Sayed Ahmed El-Demerdash Master
MehrMathematik I (MATHE1) Klausuren lineare Algebra & analytische Geometrie
Mathematik I (MATHE1) Klausuren lineare Algebra & analytische Geometrie Prof. Dr. Thomas Risse www.weblearn.hs-bremen.de/risse/mai www.weblearn.hs-bremen.de/risse/mai/docs Fakultät Elektrotechnik & Informatik
MehrModulliste. für den Masterstudiengang. Computervisualistik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Computervisualistik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Sommersemester 2016 Der Masterstudiengang Computervisualistik (CV) Der
MehrUniversität Trier FB IV Mathematik PS Mathematics for 3D Game Programming & Computer Graphics - WS 07/08 Seminarleiter: Prof. Dr.
The Rendering Pipeline Universität Trier FB IV Mathematik PS Mathematics for 3D Game Programming & Computer Graphics - WS 07/08 Seminarleiter: Prof. Dr. Volker Schulz Referent: Carsten Kurz Datum 25.10.07
MehrWochen-Stundenplan (Stand ) Ba Informatik 1. Semester (PO2010, Studienbeginn SoSe) SoSe 2011
Wochen-Stundenplan (Stand 03.04.2011) Ba Informatik 1. Semester (PO2010, Studienbeginn SoSe) SoSe 2011 H3 Molekulare Medizin H21 Einführung in die Medizin 123 Praktische Informatik H12 Medienpsych./päd.
MehrObjekterkennung am Beispiel des Viola-Jones-Objektdetektors
Objekterkennung am Beispiel des Viola-Jones-Objektdetektors Medieninformatik IL Andreas Unterweger Vertiefung Medieninformatik Studiengang ITS FH Salzburg Wintersemester 2014/15 Andreas Unterweger (FH
Mehr