Vorlesung 1: Einführung

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Vorlesung 1: Einführung"

Transkript

1 Computeranimation und Lernmethoden in der Computergrafik Vorlesung 1: Einführung Martin Giese

2 Empfehlenswerte Bücher Parent, R. (2002). Computer Animation. Morgan Kaufmann Publishers, New York. Watt, A. (1999). 3D-Computergrafik. Pearson Studium, München. Watt, A. & Watt, M. (1992). Advanced Animation and Rendering Techniques. Addison-Wesley, New York. Hastie, T., Tibshirani, R. & Friedman, J. (2001). The Elements of Statistical Learning. Springer, Berlin.

3 Vorlesungs- Ankündigung

4 Vorlesungs- Ankündigung

5 Vorlesungs-Webseite CAL.htm

6 Übersicht Übersicht über Computer Animation Spezielle Themen dieser Vorlesung Grundkonzepte des Maschinenlernens Themen + Termine der folgenden Vorlesungen Beispiele aus den folgenden Vorlesungen

7 I. Übersicht: Computeranimation

8 Definition: Computer Animation Hohe Relevanz: Filme, Werbung, VR Meilenstein: Walt Disney Zeichentrickfilme Früher Kinderfilme und Spezialeffekte; heute z.t. ganze Filme oder Teile von Filmszenen durch Animationen ersetzt (z.b. Gollum, Polar Epress, ) Jurassic Park Wendepunkt: Animation breit in der Filmindustrie etabliert Kernproblem: Simulation realistischer Bewegungen

9 Teilgebiete der Computer Animation Animation starrer Körper ( fliegendes Logo, Simulation von Kamerabewegungen, usw.) Animation gegliederter (artikulierter) Strukturen Animation von deformierbaren Objekten und Gesichtern Dynamische Simulation (physikalische Animation) Partikelanimation (große Zahlen bewegter Körper, Feuerwerk, Wasser, usw.) Verhaltensanimation / Verhaltensskripte (reaktive kontetabhängige von Bewegung; Game Engines)

10 Teilgebiete der Computer Animation Animation starrer Körper ( fliegendes Logo, Simulation von Kamerabewegungen, usw.) Animation gegliederter (artikulierter) Strukturen Animation von deformierbaren Objekten und Gesichtern Dynamische Simulation (physikalische Animation) Partikelanimation (große Zahlen bewegter Körper, Feuerwerk, Wasser, usw.) Verhaltensanimation / Verhaltensskripte (reaktive kontetabhängige von Bewegung; Game Engines) = behandelt in dieser Vorlesung

11 Geschichte der Computer Animation Ab 1880 erste Demos mit bewegten Bildern 1880 Muybridge analysiert Bewegungen 1893 Edison entwickelt Kinematoskop (nur ein Zuschauer) 1894 L. Lumier entwickelt Kinematograph (mit Schirm) 1900 Blackton: Enchanted Drawing (erste Animation) 1914 Gertie der Dinosaurier (sehr bekannte frühe Animation) 1927 Walt Disney: Oswald, der glückliche Hase (erste kommerziell erfolgreiche Animation) 1927 Walt Disney kreiert Mikey Mouse 1927 Skeleton Dance (Disney): erste Synchronisation von Animation mit Musik

12 Geschichte der Computer Animation Edison (1917) Gertie the Dinosour (1921)

13 Geschichte der Computer Animation 1963 I. Sutherland (MIT) erste interaktive Animation 1969 Begründung der SIGGRAPH 1974 F. Parke endtwickelt Talking Face 1975 N. Badler entwickelt Jack: Software für Bewegung animierter Körper von Pose zu pose mit Randbedingungen 1980 Gründung des M.I.T. Media-labs 1986 Luo Jr (Piar) nominiert für Oscar 1986 Young Sherlock Holmes (ILM) erste Mischung von Animation und echten Szenen 1988 Willow (Lucas) erste Anwendung von Morphing

14 Geschichte der Computer Animation 1991 M. Jackson s Video Black or White macht Morphing als Technik Populär 1993 Jurassic Park (ILM) integration von Dinosauriern in echte Szenen 1994 Forrest Gump (ILM) mit altes Fimmaterial mit neuen Szenen 1996 Star Wars Episode I: Kombination von 66 anmierten Figuren mit echten Schauspielern; erster synthetischer Schauspieler 1999 Toy Story 2 (Piar) 2001 Neue Oscar-Kategorie: Best Animated Feature Film Award Oscar für Herr der Ringe 2004 Oscar für Findet Nemo

15 II. Grundkonzepte des Maschinenlernens

16 Maschinenlernen Definition: Klasse von Algorithmen zur Etraktion von Parametern, Zusammenhängen oder Strukturen aus Datensätzen. Trainingsdatensatz Generalisierung Testdatensatz

17 Maschinenlernen Typische Lernprobleme Überwachtes Lernen (supervised learning) Daten: Input-Output-Paare Ziel: Lernen der Beziehung Lerner y zwischen und y Unüberwachtes Lernen (unsupervised learning) Daten: Nur Inputs Ziel: Modell für lernen (z.b. zur Vorhersage) Lerner

18 Maschinenlernen Typische Lernprobleme (Forts.) Verstärkungslernen (reinforcement learning) Daten: Inputs n, Belohnungen r n Ziel: Lernen des optimalen Verhaltens a n bei gegebenen n n Lerner a n Aktion Belohnung / Bestrafung r n

19 Maschinenlernen Anwendungen: Überwachtes Lernen Zusamenhänge modellieren Klassifizierung (y diskret) und Regression (y kontinuierlich) Prädiktion

20 Maschinenlernen Anwendungen: Unüberwachtes Lernen Dimensionalitätsreduktion Clustering Unbeobachtete Quellenvariablen oder Ursachen modellieren Ausreisserelimination Modellierung der Wahrscheinlichkeitsdichtefunktion von Daten

21 Maschinenlernen Beziehung mit Prädiktion und Modellierung: Überwachtes Lernen Vorhersage von y Gegebenen: Gesucht: Modell für Zusammenhang y = f ˆ( ) f ˆ ( ) = aˆ0 + aˆ 1 y Unüberwachtes Lernen Optimale Vorhersage von durch internes generatives Modell = aˆ ξ + aˆ ξ ξ 1, Zufallsvar.

22 Maschinenlernen Inferenz: Schätzen von unbeobachtbaren Variablen oder Parametern aus Beispieldaten.

23 Maschinenlernen Variablentypen Binär (z.b. Detektion: da vs. nicht da ) kategorial (z.b. Gesichtserkennung: Bush, Monroe, ) Kontinuierlich (z.b. Objektorientierung) Univariat (z.b. Helligkeit) vs. multivariat (z.b. RGB, oder alle Piel eines Bildfensters)

24 Maschinenlernen Beispiele Klassische Signaldetektion Zweiklassen-Klassifikation Multiklassen-Klassifikation Regression Clusteranalyse Hauptkomponentenanalyse

25 Maschinenlernen Radar Beispiele Klassische Signaldetektion Zweiklassen-Klassifikation Multiklassen-Klassifikation Regression Clusteranalyse Hauptkomponentenanalyse? t Überwachtes Lernen,y univariat : kontinuierlich; y: binär y

26 Maschinenlernen Geschlechtserkennung Beispiele Klassische Signaldetektion Zweiklassen-Klassifikation Multiklassen-Klassifikation Regression Clusteranalyse Hauptkomponentenanalyse Moghaddam & Yang (1998) : (R,G,B) piel y: Geschlecht: m / w Überwachtes Lernen : multivariat, kontinuierlich y: binär

27 Maschinenlernen Gesichtererkennung Beispiele Klassische Signaldetektion Zweiklassen-Klassifikation Multiklassen-Klassifikation Regression Clusteranalyse Hauptkomponentenanalyse H. Bogart Überwachtes Lernen : multivariat, kontinuierl. (Piel-Maps) y: diskret

28 Maschinenlernen Beispiele Klassische Signaldetektion Zweiklassen-Klassifikation Multiklassen-Klassifikation Regression Clusteranalyse Hauptkomponentenanalyse y Regression Überwachtes Lernen : kontinuierlich y: kontinuierlich

29 Maschinenlernen Bildsegmentierung Beispiele Klassische Signaldetektion Zweiklassen-Klassifikation Multiklassen-Klassifikation Regression Clusteranalyse Hauptkomponentenanalyse 2 =G 3 =B 1 =R Unüberwachtes Lernen : multivariat, kontinuierl. (Piel-Map)

30 Maschinenlernen Eigen faces Beispiele Klassische Signaldetektion Zweiklassen-Klassifikation Multiklassen-Klassifikation Regression Clusteranalyse Hauptkomponentenanalyse Linearkombination Unüberwachtes Lernen : multivariat, kontinuierl. (Piel-Maps) Eigengesichter orthogonal

31 Warum Lernen in der Computergrafik? Komplee visuelle Objekte schwer modellierbar Hoher Aufwand für Modellierung Fleibiliät Datenkompression Etraktion / Modellierung von intrinsischen Dimensionen (z.b. männlich / weiblich) T. Vetter (Freiburg)

32 Geschichte von Lernansätzen (s.a. Freeman, 2001) Spracherkennung: : zahlreiche Ansätze 1980: Lernansätze (HMMs) werden populär >1990: HMMs sind Standardmethode Computervision: vor 1990: einfache Lermethoden für Mustererkennung Ab 1990: Systematische Übertragung von Lernansätzen auf Visionprobleme (Klassifikatoren, Kalman-Filter, HMMs, Neuronale Netze) Computergrafik: Ende der 90er: Lernmethoden werden zunehmend populär Ab 2001: Literatur in Computeranimation dominiert durch Ansätze die auf MOCAP-Daten (Lernen) beruhen

33 Computeranimation und Computergrafik Lernansätze relevant z.b. für: Tetursynthese, Simulation von Materialien Modellierung von kompleen Formen + Gesichtern Modellierung von Bewegungsteturen (Wasser, Rauch, usw.) Modellierung von Körperbewegungen Modellierung nichtrigider Bewegung (z.b. Gesicht) Unterstützung von Bewegungstracking Video-Sprach-Systeme

34 III. Übersicht der Vorlesung

35 Zeitplan (vorläufig ) Einführung (Übersicht, Termine, Prüfungen) 2. Klassische Keyframe-Animation (Klassische Ansätze, Interpolationsmethoden, Splines, Quaternionen) Animation mit dynamischen Modellen (Kinematik, inverse Kinematik, Differentialgleichungen, Simulation einfacher Bewegungen, Simulation von Laufen, Anwendungen) 4. Bewegungsprimitive und Beziehungen zur Robotik (Biologische Motivation, heuristische Ansätze, Anwendungen in der Animation, Anwendungen in der Robotik)

36 Zeitplan (vorläufig ) Interpolations- und Morphing-Modelle (Korrespondenzberechnung, Morphing, Morphing-Modelle, Anwendungen) 6. Grundlagen von Motion Capture (Basis-Techniken, Hardware, Lösung von Korrespondenzproblemen, Datenfilterung) Weihnachtsferien Einfache Interpolationsmethoden und Retargetting (Motion-Morphing, Editiermethoden, Methoden im Frequenzraum, Spline-Interpolation, Retargetting) 8. Raumzeitliche Morphingmodelle (Raumzeit- Korrespondenz, Linearkombinationsmodelle, Segementierung von Bewegungsprimitiven, Analyseanwendungen, Anwedungen in der Animation)

37 Zeitplan (vorläufig ) Dictionary-Methoden und Suchealgorithmen für Mocap-Datenbasen (Identifikation von Bewegungsprimitiven, Indizierung von Datenbasen, Synchronisation mit eternen Rhythmen) 10. Hidden-Markov-Modelle und stochastische Animationsmethoden (Theoretische Grundlagen, Raumzeit-Teturen, Style-machines ) Kombination von Motion-Capture mit physikalischen Animationsmethoden (Kombination von Dynmiksimulation mit MOCAP, dynamische Stabilitätskriterien, ZMP) 12. Lernen von Bewegungskomponenten und Facial Action Units (Unüberwachte Lernmethoden, ICA, Animation basierend auf gelernten Komponenten, Synergien)

38 Zeitplan (vorläufig ) Psychophysische Evaluation von Animationsmethoden (Einfache Psychophysische Messmethoden, Signaldetektionstheorie, Anwendungsbeispiele) 14. Diskussion / Klärung von Fragen

39 Einige Beispielanwendungen aus der Vorlesung

40 Beispiel 1: Imitationslernen von kompleen Bewegungen Lernen von Bewegungen durch Imitation eines Vormachers Zerlegung in einfachere Einheiten (Bewegungsprimitive) Problem: Parametrisierung dieser Einheiten Demo: Lernen kompleer Bewegungen, z.b. Tennisaufschläge Schaal, Ijspeert& Billard (2003)

41 Beispiel 2: Lernen von Mannigfaltigkeiten Originaldaten Modellierung: Abbildung R N R d N >> d Approimation durch LC der Nachbarn Anwendungen Gewichte übernommen Lokale globale Ählichkeit Geschätzte Mannigfaltigkeiten Mundformraum hochdimensional niedrigdimensional Abbildung Roweis & Saul (2000) Jenkins & Mataric (2003) M. Giese: Computeranimation und Lernmethoden in Computergrafik Basisbewegungen von Händekreisen 23 November 2005

42 Beispiel 3: Synthese von Gesichtern 3D Laserscans von ca. 200 Gesichtern 3D Korrespondenzberechnung Morphable model: Linearkombination der Korrespondenzfelder 3D-Warping mit kombinierten 3D- Shifts Korrespondenz Beymer (1995) M. Giese: Computeranimation und Lernmethoden in Computergrafik Blanz & Vetter (1999) 23 November 2005

43 Beispiel 4: Synthese von Bewegungsstilen Synthese + Analyse von Bewegungsstilen Linearkombination von Beispielbewegungen Rauzeitliche Korrespondenz Synthese verschiedener Skill-Level Gangstile Giese & Poggio (2000) Ilg & Giese (2002)

44 Beispiel 5: Synthese von Bewegungsstilen Synthese + Analyse von Bewegungsstilen Linearkombination von Beispielbewegungen Rauzeitliche Korrespondenz Übertreibungen von Bewegungsstilen Übertreibung: Gesichtsbewegungen Übertreibung: Gangstile Original Übertreibung Giese & Poggio (2000) Giese, Knappmeyer & Bülthoff (2002)

45 Beispiel 6: 3D-Struktur aus Video Nichtrigide 3D-Struktur etrahiert aus 2D Videosequenz Faktorisierung von Struktur und Bewegung Optischer Fluss in niedrigdimensionalem Unterraum 3D-Position von Oberflächenelementen kann bestimmt werden Lösung durch SVD Brand (2001)

46 Beispiel 7: Photorealistische Avatare Etrem realistisch ( Touringtest ) Automatische Übersetzung von Phonemen (Sprache) in Viseme (Computeranimation) 5-8 s Video reichen für Training Nur Mundregion animiert Algorithmus: 2D Morphing Modelle für Bilder und opt. Fluss Automatische Etraktion von ~50 informativen Keyframes Optischer Fluss berechnet durch Addition der Flusses zwischen Framepaaren

47 Beispiel 7: Photorealistische Avatare Ezzatt, Geiger & Poggio (2003)

48 Wichtige Punkte (bitte behalten!) Themen der Computeranimation Klassifizierung verschiedener Lernmethoden Gründe für Relevanz von Lernen in Computergrafik Traue keinem Video

Maschinenlernen für Computergrafik und Multimedia

Maschinenlernen für Computergrafik und Multimedia Maschinenlernen für Computergrafik und Multimedia Vorlesung 1: Einführung Martin Giese Martin.giese@uni-tuebingen.de Empfehlenswerte Bücher Blake, A. & Isard, M. (1998). Active Contours. Springer, Berlin.

Mehr

Vorlesung 1. Einführung

Vorlesung 1. Einführung Vorlesung 1 Einführung Martin Giese Martin.giese@tuebingen.mpg.de Empfehlenswerte Bücher Blake, A. & Isard, M. (1998). Active Contours. Springer, Berlin. Cristianini, N. & Shawe-Taylor, J. (2000). Support

Mehr

Digitale Bildverarbeitung Einheit 12 3D-Rekonstruktion

Digitale 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

Mehr

Animation ist das Erzeugen von Filmen mit Hilfe der Computergrafik. Objekte bewegen sich hierbei oder Beleuchtung, Augpunkt, Form,... ändern sich.

Animation ist das Erzeugen von Filmen mit Hilfe der Computergrafik. Objekte bewegen sich hierbei oder Beleuchtung, Augpunkt, Form,... ändern sich. Kapitel 1 Animation (Belebung) Animation ist das Erzeugen von Filmen mit Hilfe der Computergrafik. Objekte bewegen sich hierbei oder Beleuchtung, Augpunkt, Form,... ändern sich. Anwendungen findet die

Mehr

The Animation Process. Proseminar Computer Grafik und Visualisierung Daniel Lagler

The Animation Process. Proseminar Computer Grafik und Visualisierung Daniel Lagler Proseminar Computer Grafik und Visualisierung I. Inhaltsverzeichnis 1. Einleitung 1.1 Definition...3 1.2 Geschichte...3 1.3 Animationsfilme... 3 2. Techniken... 3 2.1 Rotoskopie... 3 2.2 Keyframing...

Mehr

Computergraphik II. Computer-Animation. Oliver Deussen Animation 1

Computergraphik II. Computer-Animation. Oliver Deussen Animation 1 Computer-Animation Oliver Deussen Animation 1 Unterscheidung: Interpolation/Keyframing Starrkörper-Animation Dynamische Simulation Partikel-Animation Verhaltens-Animation Oliver Deussen Animation 2 Keyframing

Mehr

3D-Modellierung / Motion-Capturing. von Kevin O Brien

3D-Modellierung / Motion-Capturing. von Kevin O Brien 3D-Modellierung / Motion-Capturing von Kevin O Brien Inhalt 1. Animationsfilme Geschichte der Animation 3D-Modellierung 2. Special Effects Vorkommen Blue- / Greenscreen Motion-Capturing Kameraführung 2/36

Mehr

Digitale Bildverarbeitung Einheit 12 3D-Modellierung

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

Mehr

Virtuelle Charaktere Anwendung Rechnernetze Jana Hornberger

Virtuelle Charaktere Anwendung Rechnernetze Jana Hornberger Virtuelle Charaktere Anwendung Rechnernetze Jana Hornberger 1 Einleitung 1.1 Der Begriff Avatar Der Begriff Avatar leitet sich von avatara (der Herabsteigende) ab, was im Hinduismus ein Gott bezeichnet,

Mehr

Data Mining und maschinelles Lernen

Data Mining und maschinelles Lernen Data Mining und maschinelles Lernen Einführung und Anwendung mit WEKA Caren Brinckmann 16. August 2000 http://www.coli.uni-sb.de/~cabr/vortraege/ml.pdf http://www.cs.waikato.ac.nz/ml/weka/ Inhalt Einführung:

Mehr

SEMINAR AUTOMATISCHE GESICHTSERKENNUNG

SEMINAR AUTOMATISCHE GESICHTSERKENNUNG SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide

Mehr

Algorithmische Modelle als neues Paradigma

Algorithmische Modelle als neues Paradigma Algorithmische Modelle als neues Paradigma Axel Schwer Seminar über Philosophische Grundlagen der Statistik, WS 2010/11 Betreuer: Prof. Dr. Thomas Augustin München, den 28. Januar 2011 1 / 29 LEO BREIMAN

Mehr

Stefan Gössner 21.09.2004 Multimedia: Eine Einführung. Was ist Multimedia? Was ist ein Medium? Was ist Multimedia? Multimedia?

Stefan Gössner 21.09.2004 Multimedia: Eine Einführung. Was ist Multimedia? Was ist ein Medium? Was ist Multimedia? Multimedia? 1 of 7 Stefan Gössner 21.09.2004 Multimedia: Eine Einführung Stefan Gössner Was ist Multimedia? vielverwendeter Begriff hat was mit Computern zu tun? Multi + Media? Was ist ein Medium? Mittel zur Verbreitung

Mehr

ML-Werkzeuge und ihre Anwendung

ML-Werkzeuge und ihre Anwendung Kleine Einführung: und ihre Anwendung martin.loesch@kit.edu (0721) 608 45944 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig

Mehr

Seminar SS 2006 Intelligent Virtual Characters

Seminar SS 2006 Intelligent Virtual Characters Seminar SS 2006 Intelligent Virtual Characters Leiter: Dr. Michael Kipp Johannes Tran Character Animation Materials by Jeff Lander, John Lasseter and Rick Parent Überblick Einführung: Bewegung, Computer

Mehr

Mustererkennung und Klassifikation

Mustererkennung und Klassifikation Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick

Mehr

Interdisziplinäre Wahrnehmungsforschung

Interdisziplinäre Wahrnehmungsforschung Wallraven, Christian et al. Interdisziplinäre Wahrnehmungsforschung Tätigkeitsbericht 2008 Kognitionsforschung Interdisziplinäre Wahrnehmungsforschung Wallraven, Christian; Bülthoff, Heinrich H.; Max-Planck-Institut

Mehr

Bildverstehen. Vorlesung an der TU Chemnitz SS 2013

Bildverstehen. Vorlesung an der TU Chemnitz SS 2013 Bildverstehen Vorlesung an der TU Chemnitz SS 2013 Johannes Steinmüller 1/B309 Tel.: 531 35198 stj@informatik.tu-chemnitz.de Seite zur Vorlesung: http://www.tu-chemnitz.de/informatik/ki/edu/biver/ Buch

Mehr

3D-Rekonstruktion, Animation und Erkennung von Gesichtern aus Einzelbildern auf der Basis eines Morphable Models

3D-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

Mehr

Computeranimation. Heute

Computeranimation. Heute Computeranimation Thomas Jung t.jung@fhtw-berlin.de Heute Geschichte der Computeranimation Animation von Figuren Vorwärtskinematik Inverse Kinematik Partikelsysteme Behavioural Animation Motivation 3D-Computeranimation

Mehr

Inhaltsverzeichnis. Vorwort... V. Symbolverzeichnis... XIII

Inhaltsverzeichnis. Vorwort... V. Symbolverzeichnis... XIII Inhaltsverzeichnis Vorwort................................................................. V Symbolverzeichnis...................................................... XIII Kapitel 1: Einführung......................................................

Mehr

Lazar (Lazy-Structure-Activity Relationships)

Lazar (Lazy-Structure-Activity Relationships) Lazar (Lazy-Structure-Activity Relationships) Martin Gütlein, Albert-Ludwigs-Universität Freiburg Dr. Christoph Helma, in silico toxicology gmbh, Basel Halle, 4.3.2013 Advanced Course des AK Regulatorische

Mehr

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung

Teil II Optimierung. Peter Buchholz 2016. Modellgestützte Analyse und Optimierung Kap. 9 Einführung Optimierung Teil II Optimierung Gliederung 9 Einführung, Klassifizierung und Grundlagen 10 Lineare Optimierung 11 Ganzzahlige und kombinatorische Optimierung 12 Dynamische Optimierung Literatur: zu 10-12: Neumann,

Mehr

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen

Mehr

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3

Inhaltsverzeichnis. I Einführung in STATISTICA 1. 1 Erste Schritte in STATISTICA 3 I Einführung in STATISTICA 1 1 Erste Schritte in STATISTICA 3 2 Datenhaltung in STATISTICA 11 2.1 Die unterschiedlichen Dateitypen in STATISTICA....... 11 2.2 Import von Daten......... 12 2.3 Export von

Mehr

Universität Augsburg. 20. April 2012. B. Möller (U. Augsburg) Computergraphik SS12 20. April 2012 1 / 6

Universität Augsburg. 20. April 2012. B. Möller (U. Augsburg) Computergraphik SS12 20. April 2012 1 / 6 Kapitel 1 Einführung B. Möller Universität Augsburg 20. April 2012 B. Möller (U. Augsburg) Computergraphik SS12 20. April 2012 1 / 6 Begriffsdefinition Computergrafik: realistische Darstellung realer oder

Mehr

Multimedia Systeme. Dr. The Anh Vuong. email: av@dr-vuong.de http://www.dr-vuong.de * B-MMS * Multimedia Systeme

Multimedia Systeme. Dr. The Anh Vuong. email: av@dr-vuong.de http://www.dr-vuong.de * B-MMS * Multimedia Systeme * B-MMS * email: av@dr-vuong.de http://www.dr-vuong.de Vorlesungsmanuskripte Änderungsvorbehalten Markenzeichen gehören ihrer Besitzen 2001-2006 by, Seite 1 Schwerpunkte Grundlagen und Prinzipien von multimedialen

Mehr

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

Einführung in das Maschinelle Lernen I

Einführung in das Maschinelle Lernen I Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL

Mehr

Vorlesung 2. Maschinenlernen: Klassische Ansätze I

Vorlesung 2. Maschinenlernen: Klassische Ansätze I Vorlesung 2 Maschinenlernen: Klassische Ansätze I Martin Giese Martin.giese@tuebingen.mpg.de Übersicht! Statistische Formulierung des überwachten Lernproblems! Einfache Klassifikatoren! Regression I. Statistiche

Mehr

Anwendungen der Hauptkomponentenanalyse. Volker Tresp vertreten durch Florian Steinke

Anwendungen 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

Mehr

0 Einführung: Was ist Statistik

0 Einführung: Was ist Statistik 0 Einführung: Was ist Statistik 1 Datenerhebung und Messung 2 Univariate deskriptive Statistik 3 Multivariate Statistik 4 Regression 5 Ergänzungen Explorative Datenanalyse EDA Auffinden von Strukturen

Mehr

Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH

Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung

Mehr

Entscheidungsunterstützende Systeme

Entscheidungsunterstützende Systeme Entscheidungsunterstützende Systeme (WS 015/016) Klaus Berberich (klaus.berberich@htwsaar.de) Rainer Lenz (rainer.lenz@htwsaar.de) 0. Organisatorisches Dozenten Klaus Berberich (klaus.berberich@htwsaar.de)

Mehr

Softcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003

Softcomputing Biologische Prinzipien in der Informatik. Neuronale Netze. Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Softcomputing Biologische Prinzipien in der Informatik Neuronale Netze Dipl. Math. Maria Oelinger Dipl. Inform. Gabriele Vierhuff IF TIF 08 2003 Überblick Motivation Biologische Grundlagen und ihre Umsetzung

Mehr

Im Original veränderbare Word-Dateien

Im Original veränderbare Word-Dateien 3D-Animation Als 3D-Animation bezeichnet man die Animation von dreidimensionalen Objekten. Diese können wie echte Objekte gedreht und bewegt werden. Die 3D-Animationen erinnern an die sogenannten Puppentrickfilme.

Mehr

Wissensentdeckung in Datenbanken

Wissensentdeckung 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

Mehr

Zellulare Neuronale Netzwerke

Zellulare Neuronale Netzwerke Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Zellulare Neuronale Netzwerke Florian Bilstein Dresden, 13.06.2012 Gliederung 1.

Mehr

Rapid Control Prototyping

Rapid Control Prototyping Dirk Abel Alexander Bollig Rapid Control Prototyping Methoden und Anwendungen Mit 230 Abbildungen und 16 Tabellen Springer Inhaltsverzeichnis Einführung und Überblick 1 1.1 Allgemeines 1 1.2 Entwicklungsprozesse

Mehr

Kohonennetze Selbstorganisierende Karten

Kohonennetze Selbstorganisierende Karten Kohonennetze Selbstorganisierende Karten Julian Rith, Simon Regnet, Falk Kniffka Seminar: Umgebungsexploration und Wegeplanung mit Robotern Kohonennetze: Neuronale Netze In Dendriten werden die ankommenden

Mehr

Visualisierung in Natur- und Technikwissenschaften. 0. Einführung. Vorlesung: Mi, 11:15 12:45 + Fr, 9:15 10:45, INF 368 532 Prof. Dr.

Visualisierung in Natur- und Technikwissenschaften. 0. Einführung. Vorlesung: Mi, 11:15 12:45 + Fr, 9:15 10:45, INF 368 532 Prof. Dr. Visualisierung in Natur- und Technikwissenschaften 0. Einführung Vorlesung: Mi, 11:15 12:45 + Fr, 9:15 10:45, INF 368 532 Prof. Dr. Heike Leitte Vertiefung Computergraphik und Visualisierung Jürgen Hesser

Mehr

Algorithmische Geometrie: Einstimmung

Algorithmische Geometrie: Einstimmung Algorithmische Geometrie: Einstimmung Nico Düvelmeyer WS 2009/2010, 20.10.2009 Überblick 1 Organisatorisches 2 Fachgebiet Typische Untersuchungsgegenstände Typische Anwendungsgebiete 3 Inhalte der Vorlesung

Mehr

How to make a PIXAR movie

How to make a PIXAR movie How to make a PIXAR movie Our Quality Assurance Guarantee: 100% Genuine Animation! No motion capture or any other performance shortcuts were used in the production of this film. Aus dem Abspann von Ratatouille

Mehr

Virtual Reality Heute und Morgen. Was ist Virtual Reality? Virtuelle Hochzeit. Kommt das Holodeck fürs Wohnzimmer? Anton L.

Virtual Reality Heute und Morgen. Was ist Virtual Reality? Virtuelle Hochzeit. Kommt das Holodeck fürs Wohnzimmer? Anton L. Virtual Reality Heute und Morgen Kommt das Holodeck fürs Wohnzimmer? Anton L. Fuhrmann Was ist Virtual Reality? Realität Virtuelle Realität Virtuelle Hochzeit Erwarten wir uns das von Virtual Reality?

Mehr

Die untere Abbildung zeigt eine Szene aus einer 3D-Computeranimation.

Die untere Abbildung zeigt eine Szene aus einer 3D-Computeranimation. 3D-Animation Als 3D-Animation bezeichnet man die Animation von dreidimensionalen Objekten. Diese können wie echte Objekte gedreht und bewegt werden. Die 3D-Animationen erinnern an die sogenannten Puppentrickfilme.

Mehr

Modellierung biologischer. Christian Maidorfer Thomas Zwifl (Seminar aus Informatik)

Modellierung biologischer. Christian Maidorfer Thomas Zwifl (Seminar aus Informatik) Modellierung biologischer Prozesse Christian Maidorfer Thomas Zwifl (Seminar aus Informatik) Überblick Einführung Arten von Modellen Die stochastische Pi-Maschine Warum Modelle Die Biologie konzentriert

Mehr

Website. Vorlesung Statistisches Lernen. Dozenten. Termine. Einheit 1: Einführung

Website. Vorlesung Statistisches Lernen. Dozenten. Termine. Einheit 1: Einführung Website Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig (Aktuelle) Informationen

Mehr

Neue Bilder, neue Möglichkeiten Chancen für die Ägyptologie durch das 3D-Design

Neue Bilder, neue Möglichkeiten Chancen für die Ägyptologie durch das 3D-Design Neue Bilder, neue Möglichkeiten Chancen für die Ägyptologie durch das 3D-Design Seit einiger Zeit wird in Film und Fernsehen verstärkt auf CGI-Effekte gesetzt. Dies betraf in verstärktem Maße auch größere

Mehr

Vorlesung Statistisches Lernen

Vorlesung Statistisches Lernen Vorlesung Statistisches Lernen Einheit 1: Einführung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig WS 2014/2015 1 / 20 Organisatorisches

Mehr

Taktilsensorbasierte Steuerung von Roboterarmen zur Erstellung einer Haptischen Datenbank

Taktilsensorbasierte Steuerung von Roboterarmen zur Erstellung einer Haptischen Datenbank Taktilsensorbasierte Steuerung von Roboterarmen zur Erstellung einer Haptischen Datenbank Matthias Schöpfer 1 Gunther Heidemann 2 Helge Ritter 1 1 {mschoepf,helge}@techfak.uni-bielefeld.de Technische Fakultät

Mehr

Einführung in Bildverarbeitung und Computervision

Einführung in Bildverarbeitung und Computervision Einführung in Bildverarbeitung und Computervision Vorlesung 1: Grundlagen Dipl.-Math. Dimitri Ovrutskiy SS 2010 HTWdS Auf Basis der Vorlesungen von und mit Danksagung an Hr. Prof. Dr. J. Weikert Bildverarbeitung

Mehr

Simulation von räumlich verteilten kontinuierlichen Modellen

Simulation von räumlich verteilten kontinuierlichen Modellen Vorlesungsreihe Simulation betrieblicher Prozesse Simulation von räumlich verteilten kontinuierlichen Modellen Prof. Dr.-Ing. Thomas Wiedemann email: wiedem@informatik.htw-dresden.de HOCHSCHULE FÜR TECHNIK

Mehr

Februar 06 Uni Basel Seminar Künstliche Intelligenz Stefan Pauwels Emotion Recognition :-)

Februar 06 Uni Basel Seminar Künstliche Intelligenz Stefan Pauwels Emotion Recognition :-) Emotion Recognition :-) Themenüberblick Emotionen Emotion Recognition Speech Facial Expression Mulitmodal Emotion Recognition Integrationsmöglichkeiten der zwei Kanäle Emotionen: Grundlagen Konsens in

Mehr

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung

Mehr

Inhaltsverzeichnis. Fragestellungen und Methoden 11. Vorwort 15. Kapitel 1 Einführung 17. Kapitel 2 Statistische Grundbegriffe 23

Inhaltsverzeichnis. Fragestellungen und Methoden 11. Vorwort 15. Kapitel 1 Einführung 17. Kapitel 2 Statistische Grundbegriffe 23 Fragestellungen und Methoden 11 Vorwort 15 Kapitel 1 Einführung 17 1.1 KonzeptiondesBuchs... 18 1.2 AufbaudesBuchs... 19 1.3 Programmversionen von PASW bzw. SPSS..... 20 1.4 WiekanndiesesBuchverwendetwerden?...

Mehr

Epoche 5 (ab 1990er Jahre)

Epoche 5 (ab 1990er Jahre) Epoche 5 (ab 1990er Jahre) Inhaltsübersicht 1. Exemplarische Filme dieser Epoche Animationsfilme Computeranimierte Filme 2. Wie wird eine Person digitalisiert? Gollum erwacht zum Leben 3. Der 3-dimensionale

Mehr

(1) Problemstellung. (2) Kalman Filter

(1) Problemstellung. (2) Kalman Filter Inhaltsverzeichnis (1) Problemstellung...2 (2) Kalman Filter...2 Funktionsweise... 2 Gleichungen im mehrdimensionalen Fall...3 Schätzung des Systemzustands...3 Vermuteter Schätzfehler... 3 Aktualisierung

Mehr

Probabilistisches Tracking mit dem Condensation Algorithmus

Probabilistisches Tracking mit dem Condensation Algorithmus Probabilistisches Tracking mit dem Condensation Algorithmus Seminar Medizinische Bildverarbeitung Axel Janßen Condensation - Conditional Density Propagation for Visual Tracking Michael Isard, Andrew Blake

Mehr

Feynsinn. die etwas andere Beratung

Feynsinn. die etwas andere Beratung Feynsinn die etwas andere Beratung Vortrag zum Virtual Efficiency Congress 2011 Braucht die Welt VR? Eine Bestandsaufnahme. - 2-07.10.2011 Henning Linn - 3-07.10.2011 Henning Linn Skills Langjährige Erfahrung

Mehr

Data Mining für die industrielle Praxis

Data Mining für die industrielle Praxis Data Mining für die industrielle Praxis von Ralf Otte, Viktor Otte, Volker Kaiser 1. Auflage Hanser München 2004 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 446 22465 0 Zu Leseprobe schnell und

Mehr

Industrielle Bildverarbeitung mit OpenCV

Industrielle Bildverarbeitung mit OpenCV Industrielle Bildverarbeitung mit OpenCV Zhang,Duoyi 6.7.2 Gliederung. Einführung für OpenCV 2. Die Struktur von OpenCV Überblick Funktionsumfang in Ausschnitten mit Beispielen 3. Industrielles Anwendungsbeispiel

Mehr

Automatische Mustererkennung

Automatische Mustererkennung Automatische Mustererkennung Eine Einführung Eine Präsentation von Valentin Kraft Im Modul Digitale Bildverarbeitung Prof. Vogel FH Düsseldorf WS 12/13 Gliederung Anwendungsgebiete / Definition Ziele Zentrales

Mehr

Wie können Computer lernen?

Wie 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

Mehr

INTELLIGENTE DATENANALYSE IN MATLAB

INTELLIGENTE DATENANALYSE IN MATLAB INTELLIGENTE DATENANALYSE IN MATLAB Einführungsveranstaltung Überblick Organisation Literatur Inhalt und Ziele der Vorlesung Beispiele aus der Praxis 2 Organisation Vorlesung/Übung + Projektarbeit. 4 Semesterwochenstunden.

Mehr

Institut für Telematik Universität zu Lübeck. Programmieren. Kapitel 0: Organisatorisches. Wintersemester 2008/2009. Prof. Dr.

Institut für Telematik Universität zu Lübeck. Programmieren. Kapitel 0: Organisatorisches. Wintersemester 2008/2009. Prof. Dr. Institut für Telematik Universität zu Lübeck Programmieren Kapitel 0: Organisatorisches Wintersemester 2008/2009 Prof. Dr. Christian Werner 1-2 Überblick Ziele Inhaltsüberblick Ablauf der Veranstaltung

Mehr

Verteilte Systeme CS5001

Verteilte Systeme CS5001 CS5001 Th. Letschert TH Mittelhessen Gießen University of Applied Sciences Einführung Administratives Unterlagen Verwendbar: Master of Science (Informatik) Wahlpflichtfach (Theorie-Pool) Unterlagen Folien:

Mehr

Arbeitsgruppe Neuroinformatik

Arbeitsgruppe Neuroinformatik Arbeitsgruppe Neuroinformatik Prof. Dr. Martin Riedmiller Martin.Riedmiller@uos.de Martin Riedmiller, Univ. Osnabrück, Martin.Riedmiller@uos.de Arbeitsgruppe Neuroinformatik 1 Leitmotiv Zukünftige Computerprogramme

Mehr

Einführung in neuronale Netze

Einführung in neuronale Netze Einführung in neuronale Netze Florian Wenzel Neurorobotik Institut für Informatik Humboldt-Universität zu Berlin 1. Mai 2012 1 / 20 Überblick 1 Motivation 2 Das Neuron 3 Aufbau des Netzes 4 Neuronale Netze

Mehr

mitp Grafik Cinema 4D R12 Prime und Studio von Maik Eckardt 1. Auflage

mitp Grafik Cinema 4D R12 Prime und Studio von Maik Eckardt 1. Auflage mitp Grafik Cinema 4D R12 Prime und Studio von Maik Eckardt 1. Auflage Cinema 4D R12 Eckardt schnell und portofrei erhältlich bei beck-shop.de DIE FACHBUCHHANDLUNG Thematische Gliederung: 3-D Graphik,

Mehr

CHARACTER ANIMATION in 3D Studio Max. Ulrike Martus

CHARACTER ANIMATION in 3D Studio Max. Ulrike Martus CHARACTER ANIMATION in 3D Studio Max Ulrike Martus Übersicht: 1. Aufbau von Charakteren 2. Animationsmethoden 3. Skelettanimation 4. Oberflächenanimation 2 1. Aufbau von Charakteren Aufbau von Charakteren

Mehr

Polynome im Einsatz: Bézier-Kurven im CAD

Polynome im Einsatz: Bézier-Kurven im CAD Polynome im Einsatz: Bézier-Kurven im CAD Dipl.-Inform. Wolfgang Globke Institut für Algebra und Geometrie Arbeitsgruppe Differentialgeometrie Universität Karlsruhe 1 / 25 Kurven im Raum Eine Kurve im

Mehr

Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation

Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation von Manuel Trittel Informatik HAW Hamburg Vortrag im Rahmen der Veranstaltung AW1 im Masterstudiengang, 02.12.2008 der Anwendung Themeneinordnung

Mehr

Bildverarbeitung/Mustererkennung: Zusammenfassung und Ausblick

Bildverarbeitung/Mustererkennung: Zusammenfassung und Ausblick Bildverarbeitung/Mustererkennung: Zusammenfassung und Ausblick D. Schlesinger TUD/INF/KI/IS D. Schlesinger () BV/ME: Zusammenfassung 1 / 6 Organisatorisches Es gibt keine Scheine und keine bestanden Abschlüsse

Mehr

Projektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012

Projektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012 Projektpraktikum: Bildauswertung und fusion Wintersemester 2011 / 2012 http://www.ies.uni-karlsruhe.de Zeitlich adaptives Objekttracking in der Aufklärung und Überwachung Flugdrohne / visuell optischer

Mehr

Visuelle Simulation eines Radiosity Algorithmus und ihre Anwendung in Lernprozessen

Visuelle Simulation eines Radiosity Algorithmus und ihre Anwendung in Lernprozessen Visuelle Simulation eines Radiosity Algorithmus und ihre Anwendung in Lernprozessen Abschlussvortrag zur Diplomarbeit von Jörg Karpf Graphische Datenverarbeitung, Institut für Informatik 3. September 2009

Mehr

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,

Mehr

Photorealistische Echtzeit-Visualisierung geovirtueller Umgebungen

Photorealistische Echtzeit-Visualisierung geovirtueller Umgebungen Photorealistische Echtzeit-Visualisierung geovirtueller Umgebungen Anselm Kegel Hasso-Plattner-Institut Fachgebiet Computergrafische Systeme Prof. Dr. Jürgen Döllner Universität Potsdam www.hpi.uni-potsdam.de/3d

Mehr

Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 15, Donnerstag, 12.

Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 15, Donnerstag, 12. Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 15, Donnerstag, 12. Februar 2015 (Evaluation, Klausur, Vorstellung Arbeitsgruppe) Junior-Prof.

Mehr

Jan Parthey, Christin Seifert. 22. Mai 2003

Jan Parthey, Christin Seifert. 22. Mai 2003 Simulation Rekursiver Auto-Assoziativer Speicher (RAAM) durch Erweiterung eines klassischen Backpropagation-Simulators Jan Parthey, Christin Seifert jpar@hrz.tu-chemnitz.de, sech@hrz.tu-chemnitz.de 22.

Mehr

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung

Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten am Beispiel der Kreditwürdigkeitsprüfung Prof. Dr. Gerhard Arminger Dipl.-Ök. Alexandra Schwarz Bergische Universität Wuppertal Fachbereich Wirtschaftswissenschaft Fach Statistik Automatische Mustererkennung zur Klassifikation von Konsumentenverhalten

Mehr

Modellierung von Positionssensoren. Jörg Roth Fachbereich Informatik Fernuniversität Hagen

Modellierung von Positionssensoren. Jörg Roth Fachbereich Informatik Fernuniversität Hagen Modellierung von Positionssensoren Jörg Roth Fachbereich Informatik Fernuniversität Hagen Position und Positionssensorik Die Position ist eine der wichtigsten Einflussgrößen für ortsbezogenen Dienste Im

Mehr

Spline-artige Kurven auf Subdivision Surfaces. Jörn Loviscach Hochschule Bremen, Germany

Spline-artige Kurven auf Subdivision Surfaces. Jörn Loviscach Hochschule Bremen, Germany Spline-artige Kurven auf Subdivision Surfaces Jörn Loviscach Hochschule Bremen, Germany Überblick Spline-artige Kurven auf Spline-Flächen Kurven auf SDS: Problem, Anwendung Verwandte Arbeiten Spline-artige

Mehr

Semiüberwachte Paarweise Klassifikation

Semiüberwachte Paarweise Klassifikation Semiüberwachte Paarweise Klassifikation Andriy Nadolskyy Bachelor-Thesis Betreuer: Prof. Dr. Johannes Fürnkranz Dr. Eneldo Loza Mencía 1 Überblick Motivation Grundbegriffe Einleitung Übersicht der Verfahren

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen

Mehr

Computer Aided Engineering

Computer Aided Engineering Computer Aided Engineering André Dietzsch 03Inf Übersicht Definition Teilgebiete des CAE CAD FEM Anwendungen Was hat das mit Rechnernetzen zu tun? André Dietzsch 03Inf Computer Aided Engineering 2 Definition

Mehr

Seminarausarbeitung. Character Animation. Seminar: Intelligent Virtual Character SS 2006

Seminarausarbeitung. Character Animation. Seminar: Intelligent Virtual Character SS 2006 Seminarausarbeitung Character Animation Seminar: Intelligent Virtual Character SS 2006 Universität des Saarlandes German Research Center for Artificial Intelligence (DFKI) Saarbrücken, Germany Johannes

Mehr

Punktbeschriftung in Dynamischen Karten

Punktbeschriftung in Dynamischen Karten Vorlesung Algorithmische Kartografie INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 28.05.2015 1 Übungen Nachtrag 1) Überlegen Sie sich, wie man den

Mehr

Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens

Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung

Mehr

RL und Funktionsapproximation

RL und Funktionsapproximation RL und Funktionsapproximation Bisher sind haben wir die Funktionen V oder Q als Tabellen gespeichert. Im Allgemeinen sind die Zustandsräume und die Zahl der möglichen Aktionen sehr groß. Deshalb besteht

Mehr

Zuordnung von WP-Modulen zu Studiengängen

Zuordnung von WP-Modulen zu Studiengängen Zuordnung von WP-Modulen zu Studiengängen Legende: Pflicht Wahlpflicht weitere WP Mentor Pflichtmodul dieses Studiengangs Wahlpflichtmodul dieses Studiengangs Mögliche zusätzliche Wahlpflichtmodule Wahlpflichtmodule

Mehr

Machine Learning - Maschinen besser als das menschliche Gehirn?

Machine Learning - Maschinen besser als das menschliche Gehirn? Machine Learning - Maschinen besser als das menschliche Gehirn? Seminar Big Data Science Tobias Stähle 23. Mai 2014 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der

Mehr

Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung

Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Seminarvortrag Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung Ingmar Gründel HAW-Hamburg 15. Dezember 2006 Ingmar Gründel Bildverarbeitung im Projekt FAUST mit dem Schwerpunkt Skelettierung

Mehr

Einführung in Statistik und Messwertanalyse für Physiker

Einführung in Statistik und Messwertanalyse für Physiker Gerhard Böhm, Günter Zech Einführung in Statistik und Messwertanalyse für Physiker SUB Göttingen 7 219 110 697 2006 A 12486 Verlag Deutsches Elektronen-Synchrotron Inhalt sverzeichnis 1 Einführung 1 1.1

Mehr

Quellen: Towards a Human Computer InteractionPerspective. Übersicht. Warum visuelle Sprachen? Begriffsdefinitionen: Hinderungsgründe bisher:

Quellen: Towards a Human Computer InteractionPerspective. Übersicht. Warum visuelle Sprachen? Begriffsdefinitionen: Hinderungsgründe bisher: Quellen: Towards a Human Computer InteractionPerspective von B.K. & B.K. LV: Visuelle Sprachen (03-763) Universität Bremen WS 2001/02 Visual Language Theory: Towards a Human- Computer Perspective; N. Hari

Mehr

Bring your own Schufa!

Bring your own Schufa! Bring your own Schufa! Jan Schweda Senior Softwareengineer Web & Cloud jan.schweda@conplement.de @jschweda Ziele des Vortrags Die Möglichkeiten von maschinellem Lernen aufzeigen. Azure Machine Learning

Mehr

Grundlegende Algorithmen

Grundlegende Algorithmen 3D Spieleprogrammierung Grundlegende Algorithmen Übersicht Game Loop Spielarchitektur Aufäumen von Strukturen Vorbereiten für spätere Aufgaben Bewegungen Zeitmessung Zeitunabhängigkeit GameLoop Game Engine

Mehr

MyoMetrics - Laborkonzept. Ein integrierter Ansatz zur biomechanischen Analyse menschlicher Bewegungen

MyoMetrics - Laborkonzept. Ein integrierter Ansatz zur biomechanischen Analyse menschlicher Bewegungen MyoMetrics - Laborkonzept Ein integrierter Ansatz zur biomechanischen Analyse menschlicher Bewegungen Software Module Das myometrics Laborkonzept besteht aus der Basis Software "MR3" mit 4 wählbaren Basis-Modulen,

Mehr

Statistisches Lernen

Statistisches Lernen Statistisches Lernen Einheit 12: Modellwahl und Regularisierung Dr. rer. nat. Christine Pausch Institut für Medizinische Informatik, Statistik und Epidemiologie Universität Leipzig WS 2014/2015 1 / 28

Mehr

Lineare Regression 1 Seminar für Statistik

Lineare Regression 1 Seminar für Statistik Lineare Regression 1 Seminar für Statistik Markus Kalisch 17.09.2014 1 Statistik 2: Ziele Konzepte von einer breiten Auswahl von Methoden verstehen Umsetzung mit R: Daten einlesen, Daten analysieren, Grafiken

Mehr