Vorlesung 1: Einführung

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

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

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

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

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

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

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

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

Künstliche Intelligenz Dirk Krechel SS 2009

Künstliche Intelligenz Dirk Krechel SS 2009 Künstliche Intelligenz Dirk Krechel SS 2009 Überblick über das Modul 1. Einführung 2. Symbolische Verfahren Logik Aussagenlogik Prädikatenlogik Horn Logik Prolog 3. Suchen und Bewerten Problemlösen durch

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

1 Predictive Analytics mit Random Forest

1 Predictive Analytics mit Random Forest Predictive Analytics Demokratie im Wald 1 Agenda 1. Predictive Analytics Übersicht 2. Random Forest Grundkonzepte und Anwendungsfelder 3. Entscheidungsbaum Classification and Regression Tree (CART) 4.

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

Seminar Text- und Datamining Datamining-Grundlagen

Seminar Text- und Datamining Datamining-Grundlagen Seminar Text- und Datamining Datamining-Grundlagen Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 23.05.2013 Gliederung 1 Klassifikationsprobleme 2 Evaluation

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

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

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

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Fachhochschule Köln. Konzepte des maschinellen Lernens. Ausarbeitung. Florian Keller

Fachhochschule Köln. Konzepte des maschinellen Lernens. Ausarbeitung. Florian Keller Fachhochschule Köln 07 Fakultät für Informations-, Medien-, und Elektrotechnik Institut für Nachrichtentechnik Studiengang Master Technische Informatik Konzepte des maschinellen Lernens Ausarbeitung vorgelegt

Mehr

Plan für heute. Vorlesungstermine. CG1 & CG2 Vorlesungsthemen. Anwendungsgebiete. Warum Computer Grafik? Computergrafik 1&2 SS 2010

Plan für heute. Vorlesungstermine. CG1 & CG2 Vorlesungsthemen. Anwendungsgebiete. Warum Computer Grafik? Computergrafik 1&2 SS 2010 Plan für heute Computergrafik 1&2 SS 2010 http://www.icg.tu-graz.ac.at/courses/cgcv Organisation der Vorlesung Anwendungen der Computergrafik Konzepte der Computergrafik Display Technologies Prof. Institut

Mehr

Computer Vision: Optische Flüsse

Computer Vision: Optische Flüsse Computer Vision: Optische Flüsse D. Schlesinger TUD/INF/KI/IS Bewegungsanalyse Optischer Fluss Lokale Verfahren (Lukas-Kanade) Globale Verfahren (Horn-Schunck) (+ kontinuierliche Ansätze: mathematische

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

Kinect Nils Röder, Björn Frömmer

Kinect Nils Röder, Björn Frömmer Kinect Nils Röder, Björn Frömmer Agenda Einleitung Hardware Funktionsweise der Kamera Algorithmus (Pose Recognition, Tracking) Einleitung Was ist Kinect? Eingabegerät (Human Computer Interface) Optisches

Mehr

Monte Carlo Methoden

Monte Carlo Methoden Monte Carlo Methoden im Verstärkungslernen [Spink] Bryan Spink 2003 Ketill Gunnarsson [ ketill@inf.fu-berlin.de ], Seminar zum Verstärkungslernen, Freie Universität Berlin [ www.inf.fu-berlin.de ] Einleitung

Mehr

Künstliche Neuronale Netze und Data Mining

Künstliche Neuronale Netze und Data Mining Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung

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

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

Mehr

Hauptseminar am Fachgebiet für Quantitative Methoden der Wirtschaftswissenschaften

Hauptseminar am Fachgebiet für Quantitative Methoden der Wirtschaftswissenschaften Hauptseminar am Fachgebiet für Quantitative Methoden der Wirtschaftswissenschaften Fehlende Daten in der Multivariaten Statistik SS 2011 Allgemeines Das Seminar richtet sich in erster Linie an Studierende

Mehr

Workshop: Einführung in die 3D-Computergrafik. Julia Tolksdorf Thies Pfeiffer Christian Fröhlich Nikita Mattar

Workshop: Einführung in die 3D-Computergrafik. Julia Tolksdorf Thies Pfeiffer Christian Fröhlich Nikita Mattar Workshop: Einführung in die 3D-Computergrafik Julia Tolksdorf Thies Pfeiffer Christian Fröhlich Nikita Mattar 1 Organisatorisches Tagesablauf: Vormittags: Theoretische Grundlagen Nachmittags: Bearbeitung

Mehr

Einführung in die Logistische Regression. Fortbildung zur 19.Informationstagung Tumordokumentation

Einführung in die Logistische Regression. Fortbildung zur 19.Informationstagung Tumordokumentation Einführung in die Logistische Regression Fortbildung zur 9.Informationstagung Tumordokumentation Bernd Schicke, Tumorzentrum Berlin FB Bayreuth, 29.März 20 Gliederung Einleitung Schätzen von Maßzahlen

Mehr

Über statistische Probleme bei der Analyse von Daten aus dem Bereich der Kraftfahrzeugversicherung

Über statistische Probleme bei der Analyse von Daten aus dem Bereich der Kraftfahrzeugversicherung Statistik Über statistische Probleme bei der Analyse von Daten aus dem Bereich der Kraftfahrzeugversicherung Andreas Christmann Universität Dortmund Fachbereich Statistik 44221 Dortmund christmann@statistik.uni-dortmund.de

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

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

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

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

Motion Capture mit optisch-magnetischem Trackingsystemen in VR-Applikationen

Motion Capture mit optisch-magnetischem Trackingsystemen in VR-Applikationen FAKULTÄT FÜR INFORMATIK Professur Grafische Datenverarbeitung und Visualisierung Motion Capture mit optisch-magnetischem Trackingsystemen in VR-Applikationen Verfasser: Daniel Steger geboren am 16. November

Mehr

Non-Deterministische CFD Simulationen in FINE /Turbo

Non-Deterministische CFD Simulationen in FINE /Turbo Non-Deterministische CFD Simulationen in FINE /Turbo Dipl.-Ing. (FH) Peter Thiel Dr.-Ing. Thomas Hildebrandt NUMECA Ingenieurbüro NUMECA, a New Wave in Fluid Dynamics Überblick 1. Motivation: Warum non-deterministische

Mehr

Optimierendes Lernen (Reinforcement Learning) - Adaptive Verfahren für dynamische Optimierungsprobleme. VE 1: Einführung

Optimierendes Lernen (Reinforcement Learning) - Adaptive Verfahren für dynamische Optimierungsprobleme. VE 1: Einführung Optimierendes Lernen (Reinforcement Learning) - Adaptive Verfahren für dynamische Optimierungsprobleme VE 1: Einführung Prof. Dr. Martin Riedmiller Machine Learning Lab Albert-Ludwigs-Universitaet Freiburg

Mehr

Medien- und Spielekonzeption Master of Arts FB Automatisierung und Informatik

Medien- und Spielekonzeption Master of Arts FB Automatisierung und Informatik Medien- und Spielekonzeption Master of Arts FB Automatisierung und Informatik Medien- und Spielekonzeption (M.A.) Medien und Spiele für eine digitale Kultur Im Masterstudiengang Medien- und Spielekonzeption

Mehr

ALTE PRÜFUNGSFRAGEN: EF in Softwareentwicklung und Wissensmanagement

ALTE PRÜFUNGSFRAGEN: EF in Softwareentwicklung und Wissensmanagement ALTE PRÜFUNGSFRAGEN: EF in Softwareentwicklung und Wissensmanagement 1. Prof. Leberl Der Begriff Softwareentwicklung wurde definiert. Definieren Sie Softwareentwicklung. Sauberes, zielgerichtetes, wohl

Mehr

Medien- und Spielekonzeption (M.A.) Master of Arts FB Automatisierung und Informatik

Medien- und Spielekonzeption (M.A.) Master of Arts FB Automatisierung und Informatik Medien- und Spielekonzeption (M.A.) Master of Arts FB Automatisierung und Informatik hs-harz.de/musk medien-spielekonzeption.de Medien- und Spielekonzeption (M.A.) MEDIEN UND SPIELE FÜR EINE DIGITALE KULTUR

Mehr

Computeranimation und Motion Capturing

Computeranimation und Motion Capturing Seminar Algorithmen für Computerspiele Computeranimation und Motion Capturing Jordanis Andreanidis 19. Juli 2010 Institut für Visualisierung und Interaktive Systeme Universität Stuttgart Inhaltsverzeichnis

Mehr

Übungen zur Veranstaltung Statistik 2 mit SPSS

Übungen zur Veranstaltung Statistik 2 mit SPSS Raum 22, Tel. 39 4 Aufgabe 5. Wird der neue Film MatchPoint von Woody Allen von weiblichen und männlichen Zuschauern gleich bewertet? Eine Umfrage unter 00 Kinobesuchern ergab folgende Daten: Altersgruppe

Mehr

Data Mining-Modelle und -Algorithmen

Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining-Modelle und -Algorithmen Data Mining ist ein Prozess, bei dem mehrere Komponenten i n- teragieren. Sie greifen auf Datenquellen, um diese zum Training,

Mehr

Post-quantum cryptography

Post-quantum cryptography Post-quantum cryptography Post-quantum cryptography 1. Komplexität & Quantencomputer 2. Kryptografie in Gittern 3. FHE Eine Revolution im Datenschutz? WIESO? KOMPLEXITÄT Public-Key-Kryptografie Grafiken:

Mehr

Unsupervised Kernel Regression

Unsupervised Kernel Regression 9. Mai 26 Inhalt Nichtlineare Dimensionsreduktion mittels UKR (Unüberwachte KernRegression, 25) Anknüpfungspunkte Datamining I: PCA + Hauptkurven Benötigte Zutaten Klassische Kernregression Kerndichteschätzung

Mehr

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg

Optimierung I. 1 Einführung. Luise Blank. Wintersemester 2012/13. Universität Regensburg Universität Regensburg Wintersemester 2012/13 1 Einführung Anwendungen Finanzwirtschaft: maximale Gewinnrate unter Beschränkungen an das Risiko; Portfolio von Investments Produktion: maximiere Gewinn bei

Mehr

Das SR4 bietet eine Reihe von Verbesserung und behebt kleinere bekannte Probleme aus den Bereichen:

Das SR4 bietet eine Reihe von Verbesserung und behebt kleinere bekannte Probleme aus den Bereichen: Smith Micro Software, Inc. und das Poser-Team freuen sich mitteilen zu dürfen, dass das Poser Pro 2014 Service Release 4 (SR4) ab sofort für Mac OS X und Windows verfügbar ist. Das SR4 wird ihre Poser-Vollversion

Mehr

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science

TNS EX A MINE BehaviourForecast Predictive Analytics for CRM. TNS Infratest Applied Marketing Science TNS EX A MINE BehaviourForecast Predictive Analytics for CRM 1 TNS BehaviourForecast Warum BehaviourForecast für Sie interessant ist Das Konzept des Analytischen Customer Relationship Managements (acrm)

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Das Lehren von objektorientierter Programmierung in Java mit

Das Lehren von objektorientierter Programmierung in Java mit Das Lehren von objektorientierter Programmierung in Java mit Dr. Axel Schmolitzky Arbeitsbereich Softwaretechnik Fachbereich Informatik Universität Hamburg Überblick Kurz zu meiner Person Objektorientierung

Mehr

MythMiner. Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner. Balázs Bárány. Linuxwochen Wien, 7. 5. 2011

MythMiner. Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner. Balázs Bárány. Linuxwochen Wien, 7. 5. 2011 Voraussetzungen für Data Mining und Text Mining Schluÿ Ein Empfehlungssystem für Fernsehprogramme auf Basis von RapidMiner Linuxwochen Wien, 7. 5. 2011 Voraussetzungen für Data Mining und Text Mining Schluÿ

Mehr

Vorlesung Winter 2014/15 Prof. A. Müller

Vorlesung Winter 2014/15 Prof. A. Müller Vorlesung Winter 2014/15 Prof. A. Müller Lernziele Zielgruppen-gerechte Darstellung der Ergebnisse Didaktische Konzeption Vermittlung erarbeiten (Aktivierung, Wissenssicherung) Medien- und Methodenwahl,

Mehr

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik

Ideen der Informatik. Maschinelles Lernen. Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Ideen der Informatik Maschinelles Lernen Kurt Mehlhorn Adrian Neumann Max-Planck-Institut für Informatik Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung

Mehr

Vorlesung Organisationspsychologie WS 06/07 Personalentwicklung I Grundlagen, wissensbezogene Verfahren

Vorlesung Organisationspsychologie WS 06/07 Personalentwicklung I Grundlagen, wissensbezogene Verfahren Vorlesung Organisationspsychologie WS 06/07 Personalentwicklung I Grundlagen, wissensbezogene Verfahren Dr. Uwe Peter Kanning Westfälische Wilhelms-Universität Münster Beratungsstelle für Organisationen

Mehr

3D-Computergrafik und animation. Einführung und historischer Kontext

3D-Computergrafik und animation. Einführung und historischer Kontext 3D-Computergrafik und animation Einführung und historischer Kontext 1 Inhalte der Vorlesung 1. Einführung 2. Historischer Kontext 3. Eingabegeräte und 4. Ausgabegeräte für die Computergrafik 5. 3D-Repräsentationen

Mehr

Predictive Modeling for Sports and Gaming Eine Präsentation von Manuel Wolf

Predictive Modeling for Sports and Gaming Eine Präsentation von Manuel Wolf Predictive Modeling for Sports and Gaming Eine Präsentation von Manuel Wolf 28.05.14 Inhalt Die Glückssträhne Statistische Simulationen Baseball, Basketball & andere Sportarten Maschinelles Lernen Windhund-und

Mehr

CREATIVE PROGRAMMING TOOLKITS

CREATIVE PROGRAMMING TOOLKITS CREATIVE PROGRAMMING TOOLKITS Unter Creative Programming Toolkits verstehen wir Software-Teile welche uns helfen vielfältige Medien-kunst zu erstellen. Viele dieser Werkzeuge wurden durch Künstler für

Mehr

SLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann

SLAM. Simultaneous Localization and Mapping. KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann SLAM Simultaneous Localization and Mapping KogSys-Sem-M2: Reading Club - SLAM - Andreas Habermann Simultaneous Localization And Mapping SLAM Problematik SLAM Arten SLAM Methoden: (E)KF SLAM GraphSLAM Fast

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

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002) 6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden

Mehr

Grundlagen der Informatik

Grundlagen der Informatik Grundlagen der Informatik Prof. Dr. Bernhard Schiefer bernhard.schiefer@fh-kl.de http://www.fh-kl.de/~schiefer Wesentliche Inhalte Einführung Rechnergrundlagen Grundlagen der Programmierung Kern imperativer

Mehr

Themenvorstellung für Seminare im Sommersemester 2014

Themenvorstellung für Seminare im Sommersemester 2014 Themenvorstellung für Seminare im Sommersemester 2014 Agenda Organisatorisches & Termine Vorstellung der Seminarthemen für Automotive Software Engineering (Bereich SWT) Software Engineering verteilter

Mehr

Räumliches Data Mining

Räumliches Data Mining Räumliches Data Mining Spatial Data Mining Data Mining = Suche nach "interessanten Mustern" in sehr großen Datensätzen => explorative Datenanlyse auch: Knowledge Discovery in Databases (KDD) verbreitete

Mehr

(13) Hot Topics. Vorlesung Computergrafik T. Grosch

(13) Hot Topics. Vorlesung Computergrafik T. Grosch (13) Hot Topics Vorlesung Computergrafik T. Grosch Heute Vorstellung der besten Flugsimulatoren Hot Topics T. Grosch - - Warum Hot Topics? Typischerweise i Computergrafik 1 : Grundlagen, konstant Computergrafik

Mehr

KERN- Kernkompetenz: Unsere Charaktere. Mit Eurer Qualität braucht Ihr Euch vor Hollywood nicht zu verstecken

KERN- Kernkompetenz: Unsere Charaktere. Mit Eurer Qualität braucht Ihr Euch vor Hollywood nicht zu verstecken KERN- KOMPETENZ Kernkompetenz: Unsere Charaktere Seite 1 Charaktere sind unsere Leidenschaft und das wofür unser Herz schlägt. Deshalb gehören wir in unserem Fach zu den Besten. Unserer Fantasie und Kreativität

Mehr

Exploration und Klassifikation von BigData

Exploration und Klassifikation von BigData Exploration und Klassifikation von BigData Inhalt Einführung Daten Data Mining: Vorbereitungen Clustering Konvexe Hülle Fragen Google: Riesige Datenmengen (2009: Prozessieren von 24 Petabytes pro Tag)

Mehr

Vom Abitur zur Informatik (computer science)

Vom Abitur zur Informatik (computer science) Vom Abitur zur Informatik (computer science) André Frimberger, andre@frimberger.de 16.06.2009 André Frimberger Vom Abitur zur Informatik (computer science) 1 1 Einleitung Was ist Informatik? 2 Das Informatikstudium:

Mehr

Bioinformatik I (Einführung)

Bioinformatik 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

Mehr

Neuerungen in Minitab 16

Neuerungen in Minitab 16 Neuerungen in Minitab 16 minitab@additive-net.de - Telefon: 06172 / 5905-30 Willkommen zu Minitab 16! Die neueste Version der Minitab Statistical Software umfasst mehr als siebzig neue Funktionen und Verbesserungen,

Mehr

Bildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science

Bildmerkmalssuche. Seminar Computational Photography. Visual Computing Department of Computer Science Bildmerkmalssuche Seminar Computational Photography EINFÜHRUNG 2 Einführung Bildmerkmalssuche: sehr wichtiges Thema des künstlichen Sehens Erkennen von Objekten auf dem Bild oder in einer Bildsequenz anhand

Mehr

3D-Computergrafik und animation. historischer Kontext Fortsetzung

3D-Computergrafik und animation. historischer Kontext Fortsetzung 3D-Computergrafik und animation historischer Kontext Fortsetzung Geschichte 1974 Hunger (La Faim) : von Peter Foldes, 11 min Dauer Parabel über Kontrast zwischen Nahrungsüberfluss und Hunger von Millionen

Mehr

Projektaufgaben Block 2

Projektaufgaben Block 2 Kurs BZQ III - Stochastikpraktikum WS 2013/14 Humboldt-Universität zu Berlin Randolf Altmeyer Philip-Moritz Eckert Projektaufgaben Block 2 Abgabe: bis 10.12.2013 Zur Einstimmung (freiwillig, ohne Abgabe)

Mehr

Was ist Data Mining... in der Fundraising Praxis?

Was ist Data Mining... in der Fundraising Praxis? Was ist Data Mining...... in der Fundraising Praxis? Erkennen von unbekannten Mustern in sehr grossen Datenbanken (> 1000 GB) wenige und leistungsfähige Verfahren Automatisierung Erkennen von unbekannten

Mehr

VisuellbasierteRobotik StandundPerspektiven einertechnologie. Prof.Dr.G.Sommer. Christian{Albrechts{UniversitatKiel

VisuellbasierteRobotik StandundPerspektiven einertechnologie. Prof.Dr.G.Sommer. Christian{Albrechts{UniversitatKiel VisuellbasierteRobotik StandundPerspektiven einertechnologie Prof.Dr.G.Sommer Dipl.{Inform.J.Bruske Dr.K.Daniilidis Dr.J.Pauli Christian{Albrechts{UniversitatKiel TechnologiestiftungSchleswig{Holstein

Mehr

Computerorientiertes Problemlösen

Computerorientiertes Problemlösen 1 / 13 Computerorientiertes Problemlösen 22. 26. September 2014 Steffen Basting WS 2014-2015 2 / 13 Organisatorisches 22.09. 26.09. Zeit Mo Di Mi Do Fr 11:00 bis 13:00 13:00 bis 15:30 15:30 bis 18:00 Vorlesung:

Mehr

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren

Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Ziel Termin3 Klassifikation multispektraler Daten unüberwachte Verfahren Einteilung (=Klassifikation) der Pixel eines multispektralen Datensatzes in eine endliche Anzahl von Klassen. Es sollen dabei versucht

Mehr

Das transparente LCD-System ist die neueste und attraktivste Möglichkeit, um Ihre Produkte zu präsentieren.

Das transparente LCD-System ist die neueste und attraktivste Möglichkeit, um Ihre Produkte zu präsentieren. 2D- und 3D-Lösungen Transparenter LCD Das transparente LCD-System ist die neueste und attraktivste Möglichkeit, um Ihre Produkte zu präsentieren. POD Das Produkt-Display zeigt 3D-Bilder, die zu Ihren Kunden

Mehr

Robot Karol für Delphi

Robot Karol für Delphi Robot Karol für Delphi Reinhard Nitzsche, OSZ Handel I Version 0.1 vom 24. Januar 2003 Zusammenfassung Nach der Einführung in die (variablenfreie) Programmierung mit Robot Karol von Freiberger und Krško

Mehr

Spielerische Elemente in E-Learning Produktionen

Spielerische Elemente in E-Learning Produktionen Creative Industries on Tour #1 Spielerische Elemente in E-Learning Produktionen Johannes Schneider S. 1 Über uns Gründung: September 2001 Woher wir kommen: Erwachsenenbildung & Medienproduktion Was wir

Mehr

Intergraph Geospatial World Tour SMARTERDECISIONS

Intergraph Geospatial World Tour SMARTERDECISIONS Intergraph Geospatial World Tour Bern, 7. März 2013 SMARTERDECISIONS MFB-GeoConsulting Company profile Solutions in Geographic Imaging Innovative, individualisierte Dienstleistungen für die Geodaten-Verarbeitung:

Mehr

Anfrage Erweiterung 03.11.2011 Jan Schrader

Anfrage Erweiterung 03.11.2011 Jan Schrader Anfrage Erweiterung 03.11.2011 Jan Schrader Vocabulary Mismatch Problem Anfrage und Dokument passen nicht zusammen obwohl Dokument zur Anfrage relevant Grund: Synonymproblem verschiedene Menschen benennen

Mehr

Seite 1 von 2. Teil Theorie Praxis S Punkte 80+25 120+73 200+98 erreicht

Seite 1 von 2. Teil Theorie Praxis S Punkte 80+25 120+73 200+98 erreicht Seite 1 von 2 Ostfalia Hochschule Fakultät Elektrotechnik Wolfenbüttel Prof. Dr.-Ing. T. Harriehausen Bearbeitungszeit: Theoretischer Teil: 60 Minuten Praktischer Teil: 60 Minuten Klausur FEM für elektromagnetische

Mehr

Automatische Erkennung von Objekten in 3D Millimeterwellen Bilddaten für den QPS Sicherheitsscanner

Automatische Erkennung von Objekten in 3D Millimeterwellen Bilddaten für den QPS Sicherheitsscanner 2. Fachseminar Mikrowellen- und Terahertz-Prüftechnik in der Praxis Vortrag 3 Automatische Erkennung von Objekten in 3D Millimeterwellen Bilddaten für den QPS Sicherheitsscanner Athanasios KARAMALIS 1,

Mehr

Die technischen Herausforderungen bei der Erstellung von Avataren für E-Learning Anwendungen

Die technischen Herausforderungen bei der Erstellung von Avataren für E-Learning Anwendungen Die technischen Herausforderungen bei der Erstellung von Avataren für E-Learning Anwendungen Jakob Hofstätter S E M I N A R A R B E I T eingereicht am Fachhochschul-Diplomstudiengang Engineering für Computer-basiertes

Mehr

Multimedia/Graphics Libraries & Systems

Multimedia/Graphics Libraries & Systems Multimedia/Graphics Libraries & Systems Einführung und Themenvorstellung Prof. Dr. Jürgen Döllner Juri Engel, Tassilo Glander, Martin Beck, Stefan Buschmann, Matthias Trapp Ziele des Seminars 2 Analyse,

Mehr

Vorlesung 3 MINIMALE SPANNBÄUME

Vorlesung 3 MINIMALE SPANNBÄUME Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei

Mehr

COMPUTERGRAFIK 2014 UNIVERSITÄT OSNABRÜCK. Niels Meyering

COMPUTERGRAFIK 2014 UNIVERSITÄT OSNABRÜCK. Niels Meyering COMPUTERGRAFIK 2014 UNIVERSITÄT OSNABRÜCK Niels Meyering 0 WAS IST BLENDER? 3D-Grafik-Software Open Source (GPL-lizenziert) FEATURES Modellierung Animation Rendering (zwei eingebaute Renderer) Compositing

Mehr

С Ах für Ingenieure. Springer. Eine praxisbezogene Einführung

С Ах für Ingenieure. Springer. Eine praxisbezogene Einführung Sandor Vajna Christian Weber Helmut Bley Klaus Zeman In Zusammenarbeit mit Peter Hehenberger С Ах für Ingenieure Eine praxisbezogene Einführung 2. völlig neu bearbeitete Auflage Springer Inhalt 1. CAx-Systeme

Mehr

Maschinelles Lernen Entscheidungsbäume

Maschinelles Lernen Entscheidungsbäume Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Entscheidungsbäume Paul Prasse Entscheidungsbäume Eine von vielen Anwendungen: Kreditrisiken Kredit - Sicherheiten

Mehr

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih

Data Mining mit Rapidminer im Direktmarketing ein erster Versuch. Hasan Tercan und Hans-Peter Weih Data Mining mit Rapidminer im Direktmarketing ein erster Versuch Hasan Tercan und Hans-Peter Weih Motivation und Ziele des Projekts Anwendung von Data Mining im Versicherungssektor Unternehmen: Standard

Mehr

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG

Data Mining mit der SEMMA Methodik. Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining mit der SEMMA Methodik Reinhard Strüby, SAS Institute Stephanie Freese, Herlitz PBS AG Data Mining Data Mining: Prozeß der Selektion, Exploration und Modellierung großer Datenmengen, um Information

Mehr

Multivariate Statistik

Multivariate Statistik Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)

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

SYN Grundlagen Algorithmen Anwendung FIN. Anomalieerkennung. UnFUG WS2011/2012. Alexander Passfall Hochschule Furtwangen

SYN Grundlagen Algorithmen Anwendung FIN. Anomalieerkennung. UnFUG WS2011/2012. Alexander Passfall <alex@passfall.de> Hochschule Furtwangen 1/23 UnFUG WS2011/2012 Alexander Passfall Hochschule Furtwangen 3. November 2011 2/23 Inhalt 1 Grundlagen Typen Funktionsweise 2 Algorithmen Outlier Detection Machine Learning 3 Anwendung

Mehr

Kartographische Visualisierung

Kartographische Visualisierung Kartographische Visualisierung Einführung in die Geovisualisierung V/Ü: Kartographische Informationsverarbeitung Geovisualisierung Definition: Sichtbarmachung von georäumlichen Erkenntnissen oder Daten

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

Einblick in Grundlagenforschung und Anwendung. Adrian Schwaninger, Dr. phil. Aviation Security Technologie. X-Ray Screening

Einblick in Grundlagenforschung und Anwendung. Adrian Schwaninger, Dr. phil. Aviation Security Technologie. X-Ray Screening UNI VER SITY OF ZURIC H MPI FOR BIOLOGICAL CYBERNETICS Allgemeine Psychologie III: Wahrnehmung Einblick in Grundlagenforschung und Anwendung Adrian Schwaninger, Dr. phil. Psychologisches Institut der Universität

Mehr

MS SQL Server 2012 (4)

MS SQL Server 2012 (4) MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: http://vvwvv.comelio-medien.com/buch-kataiog/ms sql_server/ms sql

Mehr

Geoadditive Regression

Geoadditive Regression Seminar: Stochastische Geometrie und ihre Anwendungen - Zufallsfelder Universität Ulm 27.01.2009 Inhalt Einleitung 1 Einleitung 2 3 Penalisierung 4 Idee Variogramm und Kovarianz Gewöhnliches Ansatz für

Mehr