Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren
|
|
- Claudia Winkler
- vor 6 Jahren
- Abrufe
Transkript
1 Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren Regensburg, , Ulrich Haböck Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 0
2 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 1
3 Grundlagen Machine Learning Datenanalyse Datenbasierte Funktionsentwicklung Datenmenge Anforderungen Datenmenge Datenlabels Anwendungen: Clustering Anomalie Detektion Anwendungen: Klassifikation Vorhersage / Regression Bestätigte Annahmen Gegenteilige, neuartige Erkenntnisse Funktionalität als Softwarekomponente Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 2
4 Machine Learning Anwendungen im Alltag Clustering Marktsegmentierung zur Erkennung von Zielgruppen neuer Produkte Anomalie Detektion Kreditkartenmissbrauch Klassifikation Spracherkennung (Alexa, Ok Google, Siri, etc.) Objekterkennung im Straßenverkehr (Schilder, Personen, Fahrzeuge, etc.) Krebsfrüherkennung (Mikroskopbilder, Röntgenbilder, Fotos, etc) Bauteil Qualitätssicherung (Segmentierung von Schweißnähten) Vorhersage / Regression Textvervollständigung (Smartphone, Google Suche, etc.) Online Empfehlungen (Produkte auf Amazon, Filmempfehlungen auf Netflix, etc.) Lenkung NVIDIA Self-Driving Car (anhand Kamera, Lidar, etc.) Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 3
5 Deep Learning Mehrschichtiges Neuronales Netz Neuronale Netzte sind ein Teilbereich von Machine Learning, inspiriert von der Funktionsweise des Gehirns über Neuronen Eine Deep Learning Anwendung entspricht einem mehrschichtigen neuronale Netz Deep Learning hat das Potential, komplexe Strukturen in Daten zu erkennen, welche der Mensch nicht regelbasiert programmieren kann Das Training von neuronalen Netzten kann viel Zeit und Rechenleistung in Anspruch nehmen Das trainierte neuronale Netz hingegen kann seine Vorhersagen in kürzester Zeit berechnen Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 4
6 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 5
7 Wie kann Machine Learning zu einem höheren SAE Level beitragen? Aktueller Serienstand Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 6
8 Potential Machine Learning im Bereich Autonomes Fahren Datenanalyse Datenbasierte Funktionsentwicklung Datenmasse Anforderungen Datenmasse Datenlabels Neuartige Erkenntnisse aus Schwarmdaten Realistische Kurvengeschwindigkeiten Fahrstilanalyse Clustering der Fahrer in unterschiedliche Fahrertypen Erkenntnisse zu geeigneten, bewertungsfähigen Signalen Komplexe Funktionsabbildung im Bereich Kamera, Lidar, Radar, etc. Objekterkennung/-klassifizierung Intentionserkennung Fahreradaption Erlernen des Lang- und Kurzzeit Fahrstils Adaption der Fahrerassistenzsysteme anhand des Lang- und Kurzzeit Fahrstils Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 7
9 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 8
10 Datenanalyse Ziele von Clusteranalysen Anordnen der Daten in Cluster zeigt Verbindungen auf Vorbereitung der Daten für andere Machine Learning Techinken Labeling Erkennung von Zusammenhängen innerhalb der Daten Neue Erkenntnisse Segmentierung als Ziel Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 9
11 Clustering Anwendungsbeispiel: Bertrandt Fahrstilanalyse 2015/ Fahrer Entwicklungsfahrzeug 18 Datenaufzeichnungen mit Messinstrumenten je 1,5 Stunden Ergebnisse: 18 Fahrer sind in drei unterschiedliche Fahrstiltypen (Cluster) einzustufen: Ausgeglichene Fahrer Sicher und effiziente Fahrer Sportliche Fahrer Erkenntnisse: Relevante Signale zur Unterscheidung der Fahrertypen Ziele: Anhand der neuen Erkenntnisse Fahrerassistenzsysteme zu adaptieren um deren Akzeptanz zu erhöhen Clusteringalgorithmus Kooperation Bertrandt & OTH Regensburg Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 10
12 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 11
13 Datenbasierte Funktionsentwicklung - Vorstellung pacc Ziel Nutzung von prädiktiven Kurveninformationen zur Teilautomatisierung der Längsregelung Sensorik des Systems: Radar, Kamera, ESP, PSD, Bedienelemente Aufgaben des Systems: Komfortsteigerung Kraftstoff einsparen Gesetzliche Rahmenbedingung: Der Fahrer ist der Master/Überwacher Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 12
14 Erlernen des Fahrstils und zur weiteren Adaption der pacc Längsregelung Straße, Verkehr, Wetter Gas-/Bremspedal, Lenkwinkel, etc. Deep Neural Net Fahrstil: Sicherheit: Abstand zu anderen Fahrzeugen, Kurvenschneiden, Sportlichkeit: Situationsbedingter Gas- / Bremspedalgradient Energieeffizienz: Annäherungsverhalten (Bremsung, Motorschlepp, Segeln) Adaption von pacc Systemparametern Zeitlücke Beschleunigungsgradient Geschwindigkeitsverlauf des Annäherungsverhaltens Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 13
15 Agenda Grundlagen Machine Learning Wie kann Machine Learning zu einem höheren SAE Level beitragen? Anwendungsbeispiel Clustering Anwendungsbeispiel Klassifikation Ausblick Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 14
16 Ausblick Funktionen System pacc: Direkte Beeinflussung der Längsbeschleunigung anhand des neuronalen Netzes, anstatt Anpassung der Systemparameter Neuronale Netzte stellen nahezu das exakte Fahrverhalten des Fahrers dar Überholassistent (Längsführung) Erkennung überholsicherer Situationen Fahrerspezifische Anpassung der Längsbeschleunigung beim Überholvorgang Hardware Steuergeräte im Fahrzeug Erste Generation von Steuergeräten mit hohen Rechenleistungen für Deep Learning ist angekommen Testing Fehlende Testkonzepte Absicherung von Machine Learning Algorithmen befindet sich in Forschung Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 15
17 Vielen Dank. Noch Fragen? Dann sprechen Sie mit Ulrich Haböck oder Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 16
Autos der Zukunft. Dr. Dominik Herrmann Universität Hamburg. Folien zum Download:
Autos der Zukunft Dr. Dominik Herrmann Universität Hamburg Folien zum Download: http://dhgo.to/autosderzukunft Themen des Vortrags Einblick in die Technik Safety (unbeabsichtigte Ereignisse) Security (beabsichtigte
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
MehrSystemadaption als Schlüssel für das automatisierte Fahren
TITELTHEMA Assistenzsysteme Systemadaption als Schlüssel für das automatisierte Fahren Bertrandt hat das Zusammenwirken von Mensch und Maschine auf Basis einer Fahrercharakterisierung optimiert. Das Ergebnis
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
MehrKeine Hexerei, sondern Alltag
AI Trendletter Auch Deep Learning macht den Data Scientist nicht obsolet Keine Hexerei, sondern Alltag Meinung von Dr. Andreas Becks Bei der Beschäftigung mit Begriffen wie Künstliche Intelligenz, Cognitive
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
MehrKamera-basierte Objekterkennung
Kamera-basierte Objekterkennung Deep Machine Learning. Version 2.0 Einführung Motivation & Megatrends Motivation In der Logistik verursacht die Identifizierung (das Scannen) der Produkte, Pakete, Paletten,
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrIntelligente Transportsysteme
Intelligente Transportsysteme Universität Ulm Fakultät für Informatik Proseminar Künstliche Intelligenz SS 2004 Michael Arnold Typen intelligenter Transportsysteme Fahrer-Assistenz-Systeme Mensch hat Kontrolle
MehrBring 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
MehrSession: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto)
Session: 1 SO Selbstoptimierte Zustandsüberwachung für die Prognose von Fehlzuständen für Windkraftanlagen SO-Pro (Resolto) 06. Juli 2016 Bielefeld www.its-owl.de Agenda Abschlusspräsentation Einführung
MehrKünstliche Neuronale Netze
Inhalt (Biologische) Neuronale Netze Schwellenwertelemente Allgemein Neuronale Netze Mehrschichtiges Perzeptron Weitere Arten Neuronaler Netze 2 Neuronale Netze Bestehend aus vielen Neuronen(menschliches
MehrINTELLIGENTE 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.
MehrIdeen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
MehrVortrag EAS 2007 Ausschnitt aus den Seminarunterlagen. Basiswissen über Fahrerassistenzsysteme V3.0
Vortrag EAS 2007 Ausschnitt aus den Seminarunterlagen Basiswissen über Fahrerassistenzsysteme V3.0 Dr. Karl de Molina FTronik GmbH Dornach, Januar 2010 Seminar 2010: Basiswissen Fahrerassistenzsysteme
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrData Mining in SAP NetWeaver BI
Martin Kießwetter, Dirk Vahl kam p Data Mining in SAP NetWeaver BI Galileo Press Bonn Boston 2.1 Was ist Data Mining? 17 2.2 Data Mining, KDD und Business Intelligence 20 2.3 KDD-Prozessmodelle 22 2.4
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrWas ist Big Data? Versuch einer Positionsbestimmung. Wolfgang Marquardt
Was ist Big Data? Versuch einer Positionsbestimmung Wolfgang Marquardt Vorstandsvorsitzender des Forschungszentrum Jülich 02.06.2015 Jahrestagung des deutschen Ethikrates Ganz sicher auch ein Hype hohe
MehrMachine Learning Hardware
Machine Learning Hardware Dominik Scherer 06.11.2017 Seminar Neuste Trends in Big Data Analytics Betreuer: Dr. Julian Kunkel Motivation Maschinelles Lernen in vielen Bereichen angewendet, z.b. Spracherkennung
MehrDie Bedeutung von Artificial Intelligence und Machine Learning für die Cyber Security. H. Lubich FHNW
Die Bedeutung von Artificial Intelligence und Machine Learning für die Cyber Security H. Lubich FHNW Es fing alles ganz harmlos an 2 Entwicklungsschritte KI Neuronale Netze Selbstlernende Systeme Advanced
MehrData 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:
MehrFahrassistenz Systeme
Fahrassistenz Systeme Andreas Dietmayer OES Sales EU 2012. Alle Rechte vorbehalten, auch bzgl. jeder Verfügung, Verwertung, Reproduktion, Bearbeitung, Weitergabe sowie für den Fall von Schutzrechtsanmeldungen.
MehrMöglichkeiten der Automatisierung im Motorisierten Individualverkehr Verkehrsträger Strasse
Inputreferat Möglichkeiten der Automatisierung im Motorisierten Individualverkehr Verkehrsträger Strasse Noch am Steuer: Andreas Egger AMAG Import, Leiter Business Process Development Mitglied der erweiterten
MehrSoftware, Data und Machine Learning Engineers bei der Lufthansa Industry Solutions (Trendtalk)
Technology Day am 10:45 11:45 Uhr Raum: Empore Software, Data und Machine Learning Engineers bei der Lufthansa Industry Solutions (Trendtalk) Bernhard Kube, Vice President, Die Lufthansa ist ein Konzern
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrABLENKUNG IM STRASSENVERKEHR METHODEN ZUR MESSUNG UND BEWERTUNG DR. ROLAND SPIES, CEO
ABLENKUNG IM STRASSENVERKEHR METHODEN ZUR MESSUNG UND BEWERTUNG DR. ROLAND SPIES, CEO AGENDA - DAS UNTERNEHMEN - BEGRIFFSDEFINITION ABLENKUNG UND MESSMETHODEN - MASSNAHMEN BEI DER ENTWICKLUNG - AUSBLICK
MehrBielefeld Graphics & Geometry Group. Brain Machine Interfaces Reaching and Grasping by Primates
Reaching and Grasping by Primates + 1 Reaching and Grasping by Primates Inhalt Einführung Theoretischer Hintergrund Design Grundlagen Experiment Ausblick Diskussion 2 Reaching and Grasping by Primates
MehrMustererkennung 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
MehrPraxisorientierte Anwendung von Big Data-Technologien beim Einsatz mobiler Arbeitsmaschinen
Praxisorientierte Anwendung von Big Data-Technologien beim Einsatz mobiler Arbeitsmaschinen Thilo Steckel CLAAS E-Systems Gütersloh Köln, 19. Oktober 2016 [Quelle: Handelsblatt 2014] [Quelle: VDI-Nachrichten,
MehrAutonome Autos. Alexander Mayer, Thomas Mühlegger, Maximilian Strasser. February 28, 2015
February 28, 2015 1 Motivation Automatisierung Verkehr und Mobilität Geschichte der Automatisierung Nachteile der Automatisierung 2 Allgemeines Beispiel: Google driverless car Probleme und Schwierigkeiten
MehrAuf dem Weg zum automatisierten Fahren
Auf dem Weg zum automatisierten Fahren Robustheitsanalyse der Steuergerätesoftware durch die Simulation systematisch variierter Verkehrsszenarien Steffen Wittel, Daniel Ulmer und Oliver Bühler Embedded
MehrAssistiertes Fahren auf BOStrab-Bahnen. IFS-Seminar Assistiertes, Automatisches und Autonomes Fahren Aachen,
Assistiertes Fahren auf BOStrab-Bahnen IFS-Seminar Assistiertes, Automatisches und Autonomes Fahren Aachen, 06.12.16 Agenda Historie Entwicklung Aktueller Stand Ziele / Ausblick Referent: Michael Rüffer,
MehrGrowing neural Gas Strukturen lernen. Torsten Siedel 23.05.2012
Growing neural Gas Strukturen lernen Torsten Siedel 23.05.2012 Inhalt 1. Prozess der Selbstorganisation 2. Lernen - momentan oder statistisch? 3. Vektorbasierte Neuronale Netze 4. Klassifizierung der Lernverfahren
MehrUmfeldsensorik heute und in Zukunft: Was muss ein Auto "sehen"? Verfasser: Grosche Martin Betreuer: Prof. Dr. rer. nat.
Umfeldsensorik heute und in Zukunft: Was muss ein Auto "sehen"? Verfasser: Grosche Martin Betreuer: Prof. Dr. rer. nat. Toralf Trautmann [ www.atzonline.de] Grosche Martin Gliederung 1 Einführung 2 Mensch
MehrWenn Maschinen lernen zu lernen Mensch- Maschine-Kommunikation zwischen Trial-and-Error und Deep Learning?
Wenn Maschinen lernen zu lernen Mensch- Maschine-Kommunikation zwischen Trial-and-Error und Deep Learning? TA17: Neue Arbeitswelt und Digitalisierung Welche Folgen haben neue Organisationsformen und Technologien?
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrIAS Ringvorlesung 21.11.2013
IAS Ringvorlesung 21.11.2013 Hochautomatisiertes Fahren Status Quo und Zukunftsvisionen Dipl.-Ing. Marian Zeyen Kooperationsprojekt Hochautomatisiertes Fahren Vorstellung Dipl.-Ing. Marian Zeyen Geboren:
MehrLichtfeldemitter Grundlagen und Anwendungen
Lichtfeldemitter Grundlagen und Anwendungen Themenbeschreibung: Im Gegensatz zu herkömmlichen Displaytechnologien kann bei einem Lichtfeldemitter nicht nur der Ort, sondern auch die Richtung des abzustrahlenden
MehrSoll mein Auto so fahren wie ich? im Kontext des automatisierten Fahrens
DLR.de Folie 1 Soll mein Auto so fahren wie ich? im Kontext des automatisierten Fahrens David Käthner, Stefan Griesche DLR, Braunschweig DLR.de Folie 2 Selbstfahrende Fahrzeuge Motivation Problembeschreibung
MehrMobilität der Zukunft - wie könnte diese aussehen und was ist dafür zu tun?
Mobilität der Zukunft - wie könnte diese aussehen und was ist dafür zu tun? KIT Die Forschungsuniversität in der Helmholtz-Gemeinschaft www.kit.edu Wie sah die Mobilität früher aus? 2 16.02.2017 Dr.-Ing.
MehrExploration 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)
Mehr1 Einleitung. 2 Clustering
Lernende Vektorquantisierung (LVQ) und K-Means-Clustering David Bouchain Proseminar Neuronale Netze Kurs-Nr.: CS4400 ISI WS 2004/05 david@bouchain.de 1 Einleitung Im Folgenden soll zum einen ein Überblick
MehrTheoretische Informatik 1
Theoretische Informatik 1 Boltzmann Maschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2014 Übersicht Boltzmann Maschine Neuronale Netzwerke Die Boltzmann Maschine Gibbs
MehrAdaptives maschinelles Lernen
Vortrag: Adaptives maschinelles Lernen Eric Winter Universität Koblenz-Landau Fachbereich Informatik - Institut für Softwaretechnik Seminar Software-Adaptivität - Sommersemester 2011 ericwinter@uni-koblenz.de
MehrGold schürfen im Marketing mit Data Science
Gold schürfen im Marketing mit Data Science SOMEXcircle 9. Mai 2017 Dr. Patricia Feubli Erfahrung 9 Jahre Economic Research und Data Science, 4 davon als Senior Economist im Credit Suisse Swiss Industries
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 9. Juni 2008 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
MehrNeuronale Netze. Anna Wallner. 15. Mai 2007
5. Mai 2007 Inhalt : Motivation Grundlagen Beispiel: XOR Netze mit einer verdeckten Schicht Anpassung des Netzes mit Backpropagation Probleme Beispiel: Klassifikation handgeschriebener Ziffern Rekurrente
MehrModellierung mit künstlicher Intelligenz
Samuel Kost kosts@mailbox.tu-freiberg.de Institut für Numerische Mathematik und Optimierung Modellierung mit künstlicher Intelligenz Ein Überblick über existierende Methoden des maschinellen Lernens 13.
MehrBig Data und künstliche Intelligenz
Big Data und künstliche Intelligenz Wie Daten gewonnen und ausgewertet werden können. Mittwoch 15. März, 12:30 13:15 Uhr Marcel Bernet Weiterbildung wie ich sie will Definition Der aus dem englischen Sprachraum
MehrWebinar: DeepLearning
Webinar: DeepLearning Dr. Bernhard Moser, DI Theodorich Kopetzky WKO Linz, 27. April 2017 SCCH ist eine Initiative der SCCH ist Teil des Fragen? Geben Sie Ihre Fragen im Fragen-Chat ein 1 2 3 Überblick
MehrKonzepte der AI: Maschinelles Lernen
Konzepte der AI: Maschinelles Lernen Nysret Musliu, Wolfgang Slany Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme, TU-Wien Übersicht Was ist Lernen? Wozu maschinelles
MehrTestsystem für kamerabasierte Fahrerassistenzsysteme TESIS DYNAware GmbH / Bertrandt Ing.- Büro GmbH. M. Baderschneider, Dr. T.
Testsystem für kamerabasierte Fahrerassistenzsysteme TESIS DYNAware GmbH / Bertrandt Ing.- Büro GmbH M. Baderschneider, Dr. T. Mertke Agenda 1. Einführung - Vorstellung des Gesamtsystems, Anforderungen
MehrIndustrie 4.0 und Smart Data
Industrie 4.0 und Smart Data Herausforderungen für die IT-Infrastruktur bei der Auswertung großer heterogener Datenmengen Richard Göbel Inhalt Industrie 4.0 - Was ist das? Was ist neu? Herausforderungen
MehrBRAINAGENCY NEWSLETTER. Trend November 2015
BRAINAGENCY NEWSLETTER Trend November 2015 Agenda Trend November 2015 01 Gartner Tech Trends 2016 Endgeräte-Netzwerk ( Device Mesh ) Das mobile Internet gehört längst nicht mehr nur den Smartphones und
MehrAUTOREN. Dipl.-Ing. Ulrich Haböck ist Teamleiter und Projektleiter für Fahrerassistenzsysteme bei Bertrandt in Regensburg.
ENTWICKLUNG Methoden Prozesse Bertrandt AUTOREN Dipl.-Ing. Ulrich Haböck ist Teamleiter und Projektleiter für Fahrerassistenzsysteme bei Bertrandt in Regensburg. Dipl.-Ing. Jochen Schwenninger ist Funktionsentwickler
MehrSports Data Mining. The Field and Methodology. Sublogo. 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1
Sports Data Mining The Field and Methodology 24.05.2014 Fachbereich Informatik Prof. Johannes Fürnkranz 1 Definition Hierarchie für Sport und Sportdatenbeziehungen Eins kein Zusammenhang Zwei Domain-Experten
MehrDas Wizard of Oz Fahrzeug Rapid Prototyping und Usability Testing von zukünftigen Fahrerassistenzsystemen
Das Wizard of Oz Fahrzeug Rapid Prototyping und Usability Testing von zukünftigen Fahrerassistenzsystemen Dr. Miklós Kiss, Gerrit Schmidt, Eckhard Babbel Fragen an des Forschungswerkzeug Welche Assistenzfunktionen
MehrDemonstratoren der Daimler AG bei der Halbzeitpräsentation von KA, MV und VV UEM SVT SQL VIE MMI
Demonstratoren der Daimler AG bei der Halbzeitpräsentation von KA, MV und VV Die Daimler AG ist beteiligt an den drei UR:BAN-Projektsäulen: Kognitive Assistenz (KA), Mensch im Verkehr (MV) und Vernetzte
MehrFahrerzustandsbeobachtung und -messung. Dr. Katharina Seifert K-EFFB/S
Fahrerzustandsbeobachtung und -messung Dr. Katharina Seifert K-EFFB/S Agenda Motivation für die Fahrerzustandsbeobachtung Ergebnisse der Unfallforschung Ziele der Fahrerzustandsbeobachtung Fahrerzustand:
MehrFührerlose Fahrzeuge
Eidgenössisches Departement für Umwelt, Verkehr, Energie und Kommunikation UVEK Fachtagung Kommission Technik und Betrieb Bus KTBB: Führerlose Fahrzeuge Rechtlicher Anpassungsbedarf 24.5.2016 Werner Jeger
MehrClient gesteuerte Übertragung zur Minimierung der Wechselwirkung zwischen H2H und M2M Verkehr in LTE
ComNets Workshop 2013 Client gesteuerte Übertragung zur Minimierung der Wechselwirkung zwischen H2H und M2M Verkehr in LTE 15.11.2013 Inhalt Kommunikation für die dynamische Verkehrsprognose Lösungsansatz:
MehrMATCHING VON PRODUKTDATEN IN DER CLOUD
MATCHING VON PRODUKTDATEN IN DER CLOUD Dr. Andreas Thor Universität Leipzig 15.12.2011 Web Data Integration Workshop 2011 Cloud Computing 2 Cloud computing is using the internet to access someone else's
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
MehrKünstliche Intelligenz im Fahrzeug
Künstliche Intelligenz im Fahrzeug Mittwoch, 20. September 2017 Stufen des automatisierten Fahrens Stufe 0 nur Fahrer Stufe 1 Assistiert Stufe 2 Teilautomatisiert Stufe 3 Hochautomatisiert Stufe 4 Vollautomatisiert
MehrNeuronale Netze. Literatur: J. Zupan, J. Gasteiger: Neural Networks in Chemistry and Drug Design, VCH, Weinheim, 2nd Ed. 1999, ISBN 978-3-527-29779-5
Neuronale Netze Eine Reihe von ganz verschiedenen Methoden werden als Neuronale Netze (NN) bezeichnet. Die wichtigsten sind: - Feed forward, back propagation -NN (am meisten verwendet) - Kohonen-Netze:
MehrGliederung. Biologische Motivation Künstliche neuronale Netzwerke. Anwendungsbeispiele Zusammenfassung. Das Perzeptron
Neuronale Netzwerke Gliederung Biologische Motivation Künstliche neuronale Netzwerke Das Perzeptron Aufbau Lernen und Verallgemeinern Anwendung Testergebnis Anwendungsbeispiele Zusammenfassung Biologische
MehrAutonomes Fahren. Aktuelle Entwicklungen. 2. Niederösterreichischer Fahrlehrertag Manfred Haider AIT Austrian Institute of Technology GmbH
Autonomes Fahren Aktuelle Entwicklungen 2. Niederösterreichischer Fahrlehrertag 29.11.2016 Manfred Haider AIT Austrian Institute of Technology GmbH Begriffe zum Automatisierten Fahren Fahrer zu jeder Zeit
MehrAutonome Mobilität - Was wir von biologischen Systemen lernen können. Georg Färber Realzeit Computer - Systeme Technische Universität München
Autonome Mobilität - Was wir von biologischen Systemen lernen können Georg Färber Realzeit Computer - Systeme Technische Universität München Autonome Mobilität Lernen von der Biologie Merkmals- Erkennung
Mehrdlib - A toolkit for making real world machine learning and data analysis applications in C++
- A toolkit for making real world machine learning and data analysis applications in C++ Stefan Schweter Masterseminar: Klassifikation und Clustering, Wintersemester 2016/2017, Dozent: Stefan Langer 19122016
MehrFAMOS Galileo for Future AutoMOtive Systems
FAMOS Galileo for Future AutoMOtive Systems Dr. Lutz Junge Wolfsburg, 08.09.2009 Der Straßenverkehr wächst! Situation und Entwicklung in Deutschland und Europa Hauptprobleme: Unfalltote 2007 EU-27 42.485
MehrMachine 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
MehrLIDAR-Sensorik in Automobilapplikationen
LIDAR-Sensorik in Automobilapplikationen Steffi Bartl 14th Leibniz Conference Of Advanced Science, Sensorsysteme 2012, Lichtenwalde, 18./19. Oktober Steffi Bartl First Sensor AG www.first-sensor.com 19.10.2012
MehrAlexander Kirchbeck Claas Selbstfahrende Erntemaschinen GmbH
Alexander Kirchbeck Claas Selbstfahrende Erntemaschinen GmbH Alexander Kirchbeck absolvierte von 2003 bis 2006 ein duales Studium in Kooperation mit der Firma Claas zum Diplom Wirtschaftsingenieur (BA).
MehrNeue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung. Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich
Neue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich 1 Worum geht es? 2 Worum geht es? Jolanda Jan Bilderbuch 3 Worum
Mehr2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung
2. Microsoft Innovationstag Nord Integrierte Lösungen in der Öffentlichen Verwaltung Reporting, Analyse und Data Mining André Henkel, initions AG 22. und 23. Oktober 2013 in Hamburg
MehrKünstliche neuronale Netze
Künstliche neuronale Netze Eigenschaften neuronaler Netze: hohe Arbeitsgeschwindigkeit durch Parallelität, Funktionsfähigkeit auch nach Ausfall von Teilen des Netzes, Lernfähigkeit, Möglichkeit zur Generalisierung
MehrTechnologie.Transfer.Anwendung. Der Mensch im Fertigungssystem von morgen: Gestensteuerung im industriellen Umfeld. New Technology To Market (NTTM)
istockphoto/pei Ling Hoo New Technology To Market (NTTM) Technologie.Transfer.Anwendung. Der Mensch im Fertigungssystem von morgen: Gestensteuerung im industriellen Umfeld Lars Schubert Stuttgart, 19.09.2016
MehrRadikaler Umbruch in der Fahrzeug- und Systemabsicherung. Steffen Kuhn
Radikaler Umbruch in der Fahrzeug- und Systemabsicherung Steffen Kuhn 21.04.2016 Autonomes Fahren ist das erklärte Ziel von Automobilherstellern, Zulieferern und Dienstleistern In Zukunft muss nicht nur
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
MehrBig Data in der Forschung
Big Data in der Forschung Dominik Friedrich RWTH Aachen Rechen- und Kommunikationszentrum (RZ) Gartner Hype Cycle July 2011 Folie 2 Was ist Big Data? Was wird unter Big Data verstanden Datensätze, die
MehrProseminar - 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
MehrSeminar Robotik WS 02/03
Seminar Robotik WS 02/03 Innovative Informatik Anwendungen: Autonomes Fahren Fahrassistenzsysteme im KFZ Anwendungen Dezember 2003 Solange wir Äpfel nicht per E-Mail versenden können, sind Sie auf uns
MehrLehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Prof. Dr.-Ing. J. Teich
Lehrstuhl für Informatik 12 (Hardware-Software-Co-Design) Friedrich-Alexander-Universität Erlangen-Nürnberg Prof. Dr.-Ing. J. Teich Rückblick - Großrechner 2 Keine Computer im Haushalt? Ken Olsen, US-amerikanischer
MehrNetzteil Der Tech-Podcast von SPIEGEL ONLINE. SPIEGEL ONLINE Netzwelt
Netzteil Der Tech-Podcast von SPIEGEL ONLINE SPIEGEL ONLINE Netzwelt Mai 2017 Mit Netzteil Der Tech-Podcast von SPIEGEL ONLINE erscheint der zweite Podcast bei SPIEGEL Gruppe Von der SPIEGEL ONLINE Netzwelt
MehrInhalt. 4.1 Motivation. 4.2 Evaluation. 4.3 Logistische Regression. 4.4 k-nächste Nachbarn. 4.5 Naïve Bayes. 4.6 Entscheidungsbäume
4. Klassifikation Inhalt 4.1 Motivation 4.2 Evaluation 4.3 Logistische Regression 4.4 k-nächste Nachbarn 4.5 Naïve Bayes 4.6 Entscheidungsbäume 4.7 Support Vector Machines 4.8 Neuronale Netze 4.9 Ensemble-Methoden
MehrMethoden, Chancen und Risiken beim Auswerten großer Datenmengen
Methoden, Chancen und Risiken beim Auswerten großer Datenmengen Peter Dauscher Gymnasium am Kaiserdom, Speyer peter dauscher gak speyer de Data-Mining in der Schule - Eine Annäherung
MehrFahrerassistenzsysteme: Überblick und aktuelle Trends
Fahrerassistenzsysteme: Überblick und aktuelle Trends Papadakis Ioannis Betreuer: Heiko Schepperle Ausgewählte technische, rechtliche und ökonomische Aspekte des Entwurfs von Fahrerassistenzsystemen Interdisziplinäres
MehrProseminar - 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,
MehrBig Data Künstliche Intelligenz Und das Ich
Big Data Künstliche Intelligenz Und das Ich Überblick Big data 2 Beispiele David Kriesel: Spiegel Mining Cambridge Analytics: Ocean Diagramm Intelligenz Wie funktioniert das? Neuronale Netze Zukunktsperspektiven/Kaffeesatzleserei
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 18. Januar 2006 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
MehrNeuronale Netze in der Phonetik: Grundlagen. Pfitzinger, Reichel IPSK, LMU München {hpt 24.
Neuronale Netze in der Phonetik: Grundlagen Pfitzinger, Reichel IPSK, LMU München {hpt reichelu}@phonetik.uni-muenchen.de 24. Mai 2006 Inhalt Einführung Maschinelles Lernen Lernparadigmen Maschinelles
MehrSEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG. Stefan Langer CIS Universität München Wintersemester 2016/17
SEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG Stefan Langer CIS Universität München Wintersemester 2016/17 stefan.langer@cis.uni-muenchen.de Anmeldung Bereits erfolgt über LSF Falls alternative Email
MehrRückwärtsfahren bei der Abfallsammlung
Rückwärtsfahren bei der Abfallsammlung Anforderungen an Rückfahrassistenzsysteme für Abfallsammelfahrzeuge Hermann Haase Prüf- und Zertifizierungsstelle Fachbereich Verkehr und Landschaft im DGUV Test
MehrFahrverhalten für automatisierte Fahrfunktionen Müssen sich Algorithmen wie Fahrer anpassen?
Fahrverhalten für automatisierte Fahrfunktionen Müssen sich Algorithmen wie Fahrer anpassen? Vortragender: Martin Schabauer Mitwirkende: Paul Karoshi, Markus Ager, Cornelia Lex 15. ÖAMTC Symposium Reifen
MehrValidation Model Selection Kreuz-Validierung Handlungsanweisungen. Validation. Oktober, von 20 Validation
Validation Oktober, 2013 1 von 20 Validation Lernziele Konzepte des maschinellen Lernens Validierungsdaten Model Selection Kreuz-Validierung (Cross Validation) 2 von 20 Validation Outline 1 Validation
Mehr