Computer compositing Paul Preuschoff
|
|
- Lorenz Böhmer
- vor 5 Jahren
- Abrufe
Transkript
1 Computer compositing Paul Preuschoff
2 Inhalt Einleitung Methodik Probleme State of the Art Ausblick 2
3 Einleitung Einleitung Methodik Probleme State of the Art Ausblick 3
4 Computer Compositing Das Generieren von neuer guter Musik 4
5 Historie 5
6 Historie 1026: Benediktinermönch ordnet den Silben religiöser Texte verschiedene Töne zu 1660: Athanasius Kircher baut eine Komponiermaschine 1793: Mozarts Anleitung zum Componieren von Walzern erscheint posthum 1960: Komponist Iannis Xenakis schreibt ein Fortran Programm das Partituren erzeugt Arca musarithmica (Komponiermaschine) Bild: Wikimedia Mozarts Buch zum Komponieren mit Würfeln 6 Bild: Amazon
7 Computer Compositing Das Generieren von neuer guter Musik 7
8 Was ist Musik? 8
9 Was ist Musik? - Definition Folge von organisierten Schallereignissen (Töne) verschiedener Lautstärke Tonhöhe Auslösezeit, Tondauer Mehrere Töne hintereinander bilden eine Melodie Mehrere Töne übereinander bilden eine Harmonie Töne stammen aus einer Skala 10
10 Computer Compositing Das Generieren von neuer guter Musik 11
11 Was ist gute Musik? 12
12 Das fundamentale Gleichgewicht der Musik Rhythmus Refrain Melodie Strophe Musik Sicherheit Emotion Abenteuer Periodizität Umwelt Abwechslung 13
13 Oft macht grade das Brechen der formalen Kriterien besonders gute Musik aus. 17 Bild: Cover des Beatles Albums Sergeant Pepper
14 Computer Compositing Das Generieren von neuer guter Musik 18
15 Wie erzeugt man neue, gute Musik? Einleitung Methodik Probleme State of the Art Ausblick 19
16 Vorbereitung 20
17 Format: Noten oder Waveform Noten Geringe Komplexität Berechnung: Realtime wenige Stunden Leicht editierbar, kein Endprodukt Musik ist nicht so komplex, keine Vocals Waveform Hohe Komplexität Berechnung: wenige Stunden - Tage Endprodukt, Editierung eingeschränkt Musikalische Komplexität potentiell sehr hoch, Vocals theoretisch möglich 21
18 Vereinfachung Beispiel Original MIDI-File 23
19 Vereinfachung Beispiel Original MIDI-File Quantisieren 24
20 Vereinfachung Beispiel Original MIDI-File Quantisieren Varianz entfernen 25
21 Vereinfachung Beispiel Original MIDI-File Quantisieren Varianz entfernen Monofonie
22 Methoden 27
23 Methoden zur Erzeugung 1. Stochastische Methoden 2. Wissensbasierte Systeme 3. Musik als Sprache 4. Evolutionäre Algorithmen 5. Künstliche neurale Netzwerke 28
24 1. Stochastische Methoden Stochastische Analyse einer Eingabe, zur Erzeugung einer stochastisch ähnlichen Ausgabe Positiv Negativ Niedrige Komplexität geeignet für Echtzeitanwendungen Es sind Loop Escape Mechanismen nötig Um einen Stil gut zu simulieren benötigt man sehr große Datenmengen Es ist schwer höhere abstraktere Muster zu erkennen und zu imitieren Abweichungen von der Norm sind in bestimmten Fällen besonders wichtig 29
25 1. Beispiel Markow-Ketten Mathematisches System um die Wahrscheinlichkeiten von Zustandsveränderungen zu erfassen Genutzt z.b. von Textvervollständigung oder dem PageRank Algorithmus von Google Andrei Andrejewitsch Markow, russischer Mathematiker, Bild: Wikimedia 30
26 1. Markow Ketten - Vorgehensweise Aus Trainingsdaten werden die Transitionswahrscheinlichkeiten ermittelt z.b. bildet eine Note einen Zustand Daraus werden neue Ketten nach den ermittelten Wahrscheinlichkeiten gebildet 31
27 1. Musik durch Markov Ketten - Beispiel Markow Kette erster Ordnung Es wird immer aus der aktuellen Note auf die Nachfolgende geschlossen Dauer Note Auf die Note A6 folgte 28 mal die Note G# mit einer Länge von 500ms 32
28 Input: 1. Musik durch Markov Ketten - Beispiel River Flows In You - Yiruma Output: River Flows In You (Markow Version) Alvin Lin 33
29 2. Wissensbasierte Systeme Werden z.b. genutzt um Usern neuen Content vorzuschlagen Symbolisches erzeugen von Musik nach definierten Regeln Positiv Negativ Ergebnisse können genau nachvollzogen werden (benutzte Regeln) Viele Regeln sind bekannt -> Musiktheorie Regeln präzise festlegen ist langwierig, Musikexperten erforderlich Subjektivität Benötigt keine Trainingsdaten Systeme neigen dazu sehr kompliziert zu werden, Vereinfachungen kaum möglich 35
30 3. Musik als Sprache Melodieerzeugung mithilfe von Grammatiken Beispiel anhand von Mozarts frühen Stücken 36
31 3. Musik als Sprache - Beispiel LIED -> SONATE RONDO FUGE SONATE -> INTRO MENUETT FINALE INTRO -> MELODIE_C_DUR MELODIE_F_DUR MELODIE_C_DUR 37
32 3. Musik als Sprache - Beispiel Nachteile: das Finale sollte die selben Melodien enthalten wie das Intro Melodiegenerierung Grammatiken werden sehr schnell sehr kompliziert Vorteile: Geeignet für die Struktur eines Stücks als Teil eines Hybridsystems 38
33 4. Evolutionäre Methoden Naturanaloges Optimierungsverfahren Fitness Function Kriterien Mensch Die Antenne der Space Technology 5 Satelliten, von EAs entwickelt Bild: Wikimedia Positiv Effizient, besonders bei großem Suchraum Stellen mehrere Lösungen zur Verfügung Negativ Automatische Fitness Function ist sehr begrenzt möglich Bei menschlicher Variante: äußerst ineffektiv und subjektiv Lösung nicht begründet/nachvollziehbar 40
34 5. Künstliche neurale Netzwerke Kein Vorwissen Werden mithilfe von Trainingsdaten trainiert Momentan populärste und erfolgreichste Methode zur Musik Erzeugung Input Hidden layers Output Künstliche neuronale Netzwerke sind Netze aus künstlichen Neuronen. Sie stellen einen Zweig der künstlichen Intelligenz dar. Bild: Wikimedia 41
35 5. Beispiel Zahlenerkennung Nutzungssrichtung Trainingssrichtung 42
36 5. Neurale Netze - Stiladaption Quelle: 43
37 5. Musikalische Stiladaption bachbot Output Twinkle twinkle little Star Nutzungssrichtung Trainingssrichtung 44
38 5. Musik generieren Input Output 45
39 Probleme Einleitung Methodik Probleme State of the Art Ausblick 46
40 Probleme Originalität Völliger Zufall Overfitting Qualität 47
41 State of the Art Einleitung Methodik Probleme State of the Art Ausblick 48
42 State of the Art Ersteller Methode Ausgabe Eigenschaften BachBot Feynman Liang (Cambridge University) Neuronale Netzwerke Noten, Stil von Bach Bis zu 4 Stimmen parallel, Eingabe Melodie Mensch oder Maschine Quiz: 51
43 State of the Art Ersteller Methode Ausgabe Eigenschaften Google WaveNet Neuronale Netzwerke Audio Waveform Hier mit Klassik trainiert, eigentlich für Spracherzeugung konzipiert reden brabbeln Musik 52
44 Ausblick Einleitung Methodik Probleme State of the Art Ausblick 53
45 Ausblick Personalisierte Musik Möglichkeiten wie Bachisieren oder Mozarten in Musik Software Assistenten mit Melodievorschlägen in Musik Software Film-/Gamemusik Generierung nach vorgegebener Spannungskurve 54
46 Vielen Dank für die Aufmerksamkeit
47 Hauptquellen AI Methods for Algorithmic Composition: A Survey, a Critical View and Future Perspective; George Papadopoulos, Geraint Wiggins Music and Computer Composition; James Anderson Moorer Genetic Algorithms and Computer-assisted Music Composition; Andrew Horner Using machine-learning Methods for Musical Style Modeling; Shlomo Dubnov, Gerard Assayag, Oliver Lartillot, Gill Bejerano 56
48 Detailquellen Musik: Aufbau: Stilentwicklung: Markov Chains: Markow Audio: State of the Art Neurale Netze Wave net 57
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke Inhalt 1. Warum auf einmal doch? 2. Welche Einsatzgebiete gibt es? 3. Was sind neuronale Netze und wie funktionieren sie? 4. Wie lernen neuronale
MehrGP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness
GP-Music: An Interactive Genetic Programming System for Music Generation with Automated Fitness Raters Brad Johanson, Riccardo Poli Seminarvortrag von Thomas Arnold G ˇ ˇ ˇ ˇ WS 2012/13 TU Darmstadt Seminar
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrWeitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2. Tom Schelthoff
Weitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2 Tom Schelthoff 30.11.2018 Inhaltsverzeichnis Deep Learning Seed-Stabilität Regularisierung Early Stopping Dropout Batch Normalization
MehrAlgorithmenalltag. Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering
Algorithmenalltag Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering Start reden (Begrüßung) vortragen Aufmerk-samkeit erlangt? kurze Pause machen Ende Algorithmen Was machen sie mit uns? Was sind
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrRekurrente Neuronale Netze
Rekurrente Neuronale Netze Gregor Mitscha-Baude May 9, 2016 Motivation Standard neuronales Netz: Fixe Dimensionen von Input und Output! Motivation In viele Anwendungen variable Input/Output-Länge. Spracherkennung
MehrContent-Based Audio Management
Content-Based Audio Management Music Information Retrieval Jake Atwell, Philip Jakob Agenda Einleitung/Motivation Muscle Fish Verfahren Vergleich Fazit 2 Agenda Einleitung/Motivation Muscle Fish Verfahren
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
MehrNeural Networks. mit. Tools für Computerlinguist/innen
Neural Networks mit Tools für Computerlinguist/innen WS 17 / 18 Anwendungsbeispiele Anwendungsbeispiele Anwendungsbeispiele Anwendungsbeispiele WaveNet ist ein Voice Synthesizer und ein Projekt von Google
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
MehrLearning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation. Yupeng Guo
Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation Yupeng Guo 1 Agenda Introduction RNN Encoder-Decoder - Recurrent Neural Networks - RNN Encoder Decoder - Hidden
MehrImage: (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen
Image: https://pixabay.com/de/netz-netzwerk-programmierung-3706562/ (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen Künstliche Intelligenz Was ist das überhaupt? Was kann sie (nicht)?
MehrSpracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16
Spracherkennung TAREQ HASCHEMI HAW-SEMINAR WS16 AGENDA Grundlegendes Sprache Anwendungsbeispiele Schwierigkeit Architektur Spracherkennungssystem Hidden Markov Modell Verbesserung durch Kombination mit
MehrFeature Selection / Preprocessing
1 Feature Selection / Preprocessing 2 Was ist Feature Selection? 3 Warum Feature Selection? Mehr Variablen führen nicht automatisch zu besseren Ergebnissen. Lernen von unwichtigen Daten Mehr Daten notwendig
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
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
MehrNeuronale Netze Aufgaben 3
Neuronale Netze Aufgaben 3 martin.loesch@kit.edu (0721) 608 45944 MLNN IN FLOOD3 2 Multi Layer Neural Network (MLNN) Netzaufbau: mehrere versteckte (innere) Schichten Lernverfahren: Backpropagation-Algorithmus
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze
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
MehrWas ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science
Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:
MehrApriori-Algorithmus zur Entdeckung von Assoziationsregeln
Apriori-Algorithmus zur Entdeckung von PG 42 Wissensmanagment Lehrstuhl für Künstliche Intelligenz 22. Oktober 21 Gliederung Motivation Formale Problemdarstellung Apriori-Algorithmus Beispiel Varianten
MehrCD-AUSGABE (Stand: 1999) HANDBUCH KURSPROGNOSE Quantitative Methoden im Asset Management von Thorsten Poddig 676 Seiten, Uhlenbruch Verlag, 1999 erstmals als Buch publiziert EUR 79,- inkl. MwSt. und Versand
MehrSemester-Fahrplan 1 / 26
Semester-Fahrplan 1 / 26 Hydroinformatik I Einführung in die Hydrologische Modellierung Künstliche Neuronale Netzwerke Olaf Kolditz *Helmholtz Centre for Environmental Research UFZ 1 Technische Universität
MehrEFS Deep Learning für das Fahren der Zukunft. Anton Junker
EFS Deep Learning für das Fahren der Zukunft Anton Junker Wer ist die EFS? Wer sind wir? Unternehmen Gründung 2009 Standort Ingolstadt/Wolfsburg Beteiligung GIGATRONIK Gruppe (51%) Audi Electronics Venture
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:
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
MehrNeuronale Netze. Automatische Hinderniserkennung Paul Fritsche
1 Neuronale Netze Automatische Hinderniserkennung 2 Hintergrund Grundlagen Tensorflow Keras Fazit 3 TTBN 4 TTBN 5 TTBN 6 TTBN 7 Biological Neural Network By BruceBlaus - Own work, CC BY 3.0 8 Artificial
MehrEchtzeitfähige 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
MehrTUD Computer Poker Challenge
TUD Computer Poker Challenge The Challenge of Poker Björn Heidenreich 31. März 2008 The Challenge of Poker Björn Heidenreich 1 Anforderungen an einen guten Poker-Spieler Hand Strength Hand Potential Bluffing
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
MehrInterdisziplinäre fachdidaktische Übung: Sprache und Modelle. SS 2015: Grossmann, Jenko
Interdisziplinäre fachdidaktische Übung: Sprache und Modelle SS 2015: Grossmann, Jenko Einleitung Was ist ein Modell? Sprachlich orientierte Modelle Beispiele Wie entstehen Modelle? Zusammenhang Modell
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
MehrBACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON
BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe
MehrEine Vorlesung für Hörer aller Fakultäten
Ideen der Informatik Eine Vorlesung für Hörer aller Fakultäten Kurt Mehlhorn Meine drei Ziele Grundbegriffe der Informatik: Was ist ein Computer (Hardware, Software)? Sind alle Computer gleich? Was ist
MehrSprachsynthese mit Mary. Simon Schmiedel Proseminar Tools für Computerlinguisten
Sprachsynthese mit Mary Proseminar Tools für Computerlinguisten Was ist Sprachsynthese? künstliche Erzeugung der menschlichen Sprache 2 Sprachsynthese Symbolische Repräsentation Sprachsynthese Akustische
MehrStatistical Learning
Statistical Learning M. Gruber KW 42 Rev.1 1 Neuronale Netze Wir folgen [1], Lec 10. Beginnen wir mit einem Beispiel. Beispiel 1 Wir konstruieren einen Klassifikator auf der Menge, dessen Wirkung man in
MehrProgrammieren und Kunst
Programmieren und Kunst Universität Leipzig Fakultät für Mathematik und Informatik Institut für Informatik Seminar: Interdisziplinäre Aspekte des digitalen Wandels Lehrende: Prof. Dr. Gräbe und Ken Kleemann
MehrKandinsky Music Painter II
Kandinsky Music Painter II Software zur grafischen Komposition musikalischer Strukturen 02.12.2016 von Tobias Kölker Inhaltsverzeichnis Motivation Kandinsky Music Painter Allgemeines Funktionsweise Bewertung
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
MehrHidden Markov Models (HMM)
Hidden Markov Models (HMM) Kursfolien Karin Haenelt 1 Themen Definitionen Stochastischer Prozess Markow Kette (Visible) Markov Model Hidden Markov Model Aufgaben, die mit HMMs bearbeitet werden Algorithmen
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,
MehrEinführung in die Informatik Turing Machines
Einführung in die Informatik Turing Machines Eine abstrakte Maschine zur Präzisierung des Algorithmenbegriffs Wolfram Burgard 1 Motivation und Einleitung Bisher haben wir verschiedene Programmiersprachen
MehrAutomatische Spracherkennung
Automatische Spracherkennung 3 Vertiefung: Drei wichtige Algorithmen Teil 3 Soweit vorhanden ist der jeweils englische Fachbegriff, so wie er in der Fachliteratur verwendet wird, in Klammern angegeben.
MehrWahlpflichtfach Informatik
Wahlpflichtfach Informatik Dipl.-Ing. Michael NIEDERLE Klassen: 6C, 7AB 3-jährig (1 Doppelstunde pro Jahr); maturabel Was vor wenigen Jahren noch Sciene Fiction war, ist heute Realität. So entwickelt z.b.
MehrHidden Markov Models
Hidden Markov Models Kursfolien Karin Haenelt 09.05002 1 Letzte Änderung 18.07002 Hidden Markov Models Besondere Form eines probabilistischen endlichen Automaten Weit verbreitet in der statistischen Sprachverarbeitung
MehrIT-Security. Teil 15: Zufall
IT-Security Teil 15: Zufall 09.05.17 1 Literatur [15-1] http://de.wikipedia.org/wiki/kryptographisch_sicherer_zufallszahlen generator [15-2] https://gnupg.org/documentation/manuals/gcrypt/fips-prng- Description.html
MehrEinführung in die Informatik Turing Machines
Einführung in die Informatik Turing Machines Eine abstrakte Maschine zur Präzisierung des Algorithmenbegriffs Wolfram Burgard Cyrill Stachniss 1/14 Motivation und Einleitung Bisher haben wir verschiedene
MehrArtificial Intelligence
Artificial Intelligence AI Hype meets Business Reality Dr. Stefan Wess CEO Empolis Information Management GmbH Unternehmen in Kaiserslautern UND TEIL UNSERES KULTURELLEN ERBES. KÜNSTLICHE INTELLIGENZ
MehrModell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen
Modell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen Roland Koppe, Stefan Häusler, Axel Hahn 2 Übersicht Einleitung und Motivation Ansatz und Methodik
MehrEntwicklung einer Anwendung zur Erkennung von Täuschungsversuchen
Entwicklung einer Anwendung zur Erkennung von Täuschungsversuchen Theoretische Ausarbeitung Miriam Friedrich Matr.-Nr.: 3062857 1. Prüfer: Prof. Dr. rer. nat. Alexander Voß 2. Prüfer: Bastian Küppers,
MehrBlues-Improvisation mit neuronalen Netze
Blues-Improvisation mit neuronalen Netze Hagen Fritsch Seminar: Musik und Informatik Technische Universität München 1. März 2007 Inhaltsverzeichnis 1 Einleitung 1 2 Neuronale
MehrBertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren
Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren Regensburg, 18.05.2017, Ulrich Haböck Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 0 Agenda Grundlagen Machine
MehrMultimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 Inhaltsbasierte Musiksuche Konzepte und Anwendungen Dmytro Shaykhit Einführung Die Suche per Text in einer großen Musikbibliothek ist nicht mehr sinnvoll
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
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
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrKALAHA. Erfahrungen bei der Implementation von neuronalen Netzen in APL. Dipl.Math. Ralf Herminghaus, April 2018
KALAHA Erfahrungen bei der Implementation von neuronalen Netzen in APL Dipl.Math. Ralf Herminghaus, April 2018 1. Die Schlagzeile 2. Die Idee APL ist eine Super-Sprache! Also: So schwierig kann das ja
MehrSimulation komplexer Prozesse am Beispiel Verbundguss Cu-Al
04.11.2016 Optimierungsaufgabe Beispiel: Sheldons Platz Im Winter ist der Platz nah genug an der Heizung, damit mir warm ist und dennoch nicht zu dicht, um ins schwitzen zu kommen. Im Sommer liegt er in
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrGenerierung von Steuerungsprogrammcode für SPS und μc aus Petri-Netz-Modellen
Fachhochschule Köln Cologne University of Applied Sciences Fakultät für Informations-, Medien- und Elektrotechnik Institut für Automatisierungstechnik Labor für Informations- und Automatisierungstechnik
MehrWENN DER KUNDENSERVICE-DESKTOP MITDENKT
ITYX GROUP KI-BASIERTE SERVICE DESK SOFTWARE WENN DER KUNDENSERVICE-DESKTOP MITDENKT KI im Kontext: Einleitung Nutzen von KI bei der Vorgangsbearbeitung (Case Management) ThinkOwl UI Klärung offener Fragen
MehrThema 8 Ein Schätzverfahren für das Wachstum von Gefäßnetzwerken auf der Grundlage von Zufallsgraphen. 2.Definitionen aus Graphentheorie
Seminar Mustererkennung mit syntaktischen und graphenbasierten Methoden Thema 8 Ein Schätzverfahren für das Wachstum von Gefäßnetzwerken auf der Grundlage von Zufallsgraphen 1.Einleitung Stefan Böcker
MehrMein Musik-Tagebuch: Lasst uns erforschen, improvisieren und komponieren (EIC1)
komponieren (EIC1) Lasst uns eine Geschichte mit verschiedenen Klängen, Stimmen oder Melodien, die wir erfunden haben, erzählen. komponieren (EIC1) Lasst uns eine Geschichte mit verschiedenen Klängen,
MehrVon der Grammatik zum AST
Von der Grammatik zum AST Welche Eigenschaften soll ein Parser haben? Wann ist eine Grammatik eindeutig? Wie sollte eine Grammatik aussehen? Theoretischer Hin tergrund: FIRST, FOLLOW Einschränkungen von
MehrComputational Intelligence und. Prof. Dr. Günter Rudolph Dipl.-Inform. Igor Vatolkin
Computational Intelligence und Musikinformatik Prof. Dr. Günter Rudolph Dipl.-Inform. Igor Vatolkin Übersicht Seminarinfo Scheinanforderungen Literaturrecherche & Literaturverwaltung Vortrag Ausarbeitung
MehrAccountability in Algorithmic. Decision Making.
Accountability in Algorithmic Decision Making Vural Mert, Larcher Daniel 1. Juni 2016 Zusammenfassung Diese Seminararbeit gibt einen kurzen Überblick über die Algorithmische Entscheidungsfindung, deren
MehrDer Primzahltest von Agrawal, Kayal und Saxena. Dr. Gerold Jäger
Der Primzahltest von Agrawal, Kayal und Saxena Dr. Gerold Jäger Habilitationsvortrag Christian-Albrechts-Universität zu Kiel Institut für Informatik 19. Januar 2011 Dr. Gerold Jäger Habilitationsvortrag
MehrSchulinterner Lehrplan Bettina-von-Arnim-Gymnasium Dormagen. Musik in der Klasse 5
Schulinterner Lehrplan Bettina-von-Arnim-Gymnasium Dormagen Musik in der Klasse 5 Unterrichtsvorhaben Inhaltsfelder Kompetenzbereiche Unterrichtsgegenstände, konkretisierte Unterrichtsinhalte, Methoden
MehrMaschinelles Lernen: Symbolische Ansätze
Semestralklausur zur Vorlesung Maschinelles Lernen: Symbolische Ansätze Prof. J. Fürnkranz / Dr. G. Grieser Technische Universität Darmstadt Wintersemester 2005/06 Termin: 23. 2. 2006 Name: Vorname: Matrikelnummer:
MehrAlgorithmische Methoden zur Netzwerkanalyse
Algorithmische Methoden zur Netzwerkanalyse Juniorprof. Dr. Henning Meyerhenke Institut für Theoretische Informatik 1 KIT Henning Universität desmeyerhenke, Landes Baden-Württemberg Institutund für Theoretische
MehrKNN für XOR-Funktion. 6. April 2009
KNN für XOR-Funktion G.Döben-Henisch Fachbereich Informatik und Ingenieurswissenschaften FH Frankfurt am Main University of Applied Sciences D-60318 Frankfurt am Main Germany Email: doeben at fb2.fh-frankfurt.de
MehrRegellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen
Regellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen EDV-Gerichtstag 2018, Saarbrücken 20.9.2019 Jörn Erbguth, Legal Tech Consultant joern@erbguth.ch +41 787256027 Agenda Beispiele
MehrAdvanced Business Intelligence. Advanced Networking. Artificial Intelligence. Campus Offenburg Badstraße 24, 77652
Advanced Business Intelligence Prerequisite english description Hours 4.0 Praktikum Data Mining Nr. E+I2118 Data Mining Nr. E+I2117 Advanced Networking Hours 4.0 Advanced Networking Nr. E+I2103 Praktikum
MehrHannah Wester Juan Jose Gonzalez
Neuronale Netze Supervised Learning Proseminar Kognitive Robotik (SS12) Hannah Wester Juan Jose Gonzalez Kurze Einführung Warum braucht man Neuronale Netze und insbesondere Supervised Learning? Das Perzeptron
MehrReinforcement Learning
Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen
MehrExcel + VBA. Ergänzungen. Kapitel 1 Einführung in VBA Sequentielle Textdateien HARALD NAHRSTEDT. Erstellt am
HARALD NAHRSTEDT Excel + VBA Ergänzungen Kapitel 1 Einführung in VBA 1.5.23 Sequentielle Textdateien Erstellt am 12.02.2012 Beschreibung In Textdateien lassen sich schnell Informationen speichern und auch
Mehr1 Algorithmische Grundlagen
1 Algorithmische Grundlagen Klocke/17.03.2003 1.1 1.1 Begriffsklärung Fragen Begriffsklärungen Abstraktionsebenen für Algorithmen und Datenstrukturen Algorithmus Qualität von Algorithmen Klocke/17.03.2003
MehrIdeen der Informatik. Eine Vorlesung für Hörer aller Fakultäten. Kurt Mehlhorn und Adrian Neumann
Ideen der Informatik Eine Vorlesung für Hörer aller Fakultäten Kurt Mehlhorn und Adrian Neumann Unsere drei Ziele Grundbegriffe der Informatik: Was ist ein Computer (Hardware, Software)? Sind alle Computer
MehrO z.b. Soundcheck Bd.1, Kap. 1 O z.b. Vocussion und Sprachübungen mit rhythmischen Elementen
Thema: Musik und Sprache Schwerpunkt: Weltsprache Musik Deutsch 12 UStunden 5/6 Höreindrücke beschreiben Musikalische Grundparameter kennen lernen und unterscheiden Musik anderer Kulturen kennen lernen
MehrLinus Akesson Fratres
Linus Akesson Fratres http://www.linusakesson.net/music/fratres Fratres von Arvo Pärt ist eines meiner musikalischen Lieblingswerke. Das Analytische und das Ästhetische verschmelzen auf dieser meditativen,
Mehr1 Einleitung Definitionen, Begriffe Grundsätzliche Vorgehensweise... 3
Inhaltsverzeichnis 1 Einleitung 1 1.1 Definitionen, Begriffe........................... 1 1.2 Grundsätzliche Vorgehensweise.................... 3 2 Intuitive Klassifikation 6 2.1 Abstandsmessung zur Klassifikation..................
MehrKann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders
Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien Sastools.by.gerhard@gmx.net Zusammenfassung
MehrAngewandte Mathematik am Rechner 1
Angewandte Mathematik am Rechner 1 SOMMERSEMESTER 2017 Kapitel 3 [Bildquellen: Wikipedia User David Madore, Inductiveload ] Grundlagen 2: Funktionen, Berechenbarkeit und emergente Komplexität Michael Wand
MehrDefinition von domänenspezifischen Sprachen mit Xtext: Einführung
Definition von domänenspezifischen Sprachen mit Xtext: Einführung 28. November 2012 Taentzer Modellgetriebene Softwareentwicklung 246 Überblick Was ist zu tun, wenn wir selbst einen Ansatz für modellgetriebenen
MehrProgramm heute. Algorithmen und Datenstrukturen (für ET/IT) Suchen. Lineare Suche. Such-Algorithmen. Sommersemester Dr.
Programm heute Algorithmen und Datenstrukturen (für ET/IT) Sommersemester 0 Dr. Tobias Lasser Computer Aided Medical Procedures Technische Universität München Fortgeschrittene Datenstrukturen Such-Algorithmen
MehrLösungsvorschlag Serie 2 Rekursion
(/) Lösungsvorschlag Serie Rekursion. Algorithmen-Paradigmen Es gibt verschiedene Algorithmen-Paradigmen, also grundsätzliche Arten, wie man einen Algorithmus formulieren kann. Im funktionalen Paradigma
MehrFrischer Wind für ein bekanntes Thema Klassifikation 4.0
Frischer Wind für ein bekanntes Thema Klassifikation 4.0 AK Fernerkundung Heidelberg, 4.-5.10.2018 Ruth Leska, GEOSYSTEMS GmbH GEOSYSTEMS ist Ihr Partner für Geo-IT Lösungen und Hexagon Geospatial Platinum
MehrUntersuchungen zur effizienten Implementierung eines mathematischen Algorithmus in einem FPGA am Beispiel eines Sudoku-Lösers
Fakultät Informatik - Institut für Technische Informatik - Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Vortrag zum Diplom Untersuchungen zur effizienten Implementierung eines mathematischen
MehrMachine Learning & Künstliche Intelligenz
Dr. med. Christina Czeschik Serapion www.serapion.de Machine Learning & Künstliche Intelligenz Eine kurze Einführung Künstliche Intelligenz intelligent nutzen Essen, 08.06.2018 Künstliche Intelligenz Turing-Test
MehrWas denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, Thilo Stadelmann
Was denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, 20.10.2016 Thilo Stadelmann Was? Wie? Wohin? 1 Was ist passiert? (Eine kurze Geschichte der letzten Monate) 2 3 4 5 6 7 Generierte Sprache
MehrAutomatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:
02. Mai 2005 P R O J E C T C O N S U L T GmbH GmbH 1 Agenda Einführung Automatische Klassifikation Qualität Veränderung des Arbeitsumfeldes Ausblick GmbH 2 1 Einführung GmbH 3 Eine Herausforderung geordnete
MehrFraktale Terrainerzeugung. Fraktale. Ziel der Ausarbeitung. fbm) Fractional Brownian Motion (fbm( Eigenschaften von fbm
Ziel der Ausarbeitung Fraktale Terrainerzeugung Jürgen Platzer,, 0025360 Mario Ruthmair,, 9826157 Institute of Computer Graphics and Algorithms 2/ 34 Fraktale Warum Fraktale? Effiziente Erzeugung von Details
MehrMartin Goldstern Der logische Denker Kurt Gödel und sein Unvollständigkeitssatz. 6.
Martin Goldstern Der logische Denker Kurt Gödel und sein Unvollständigkeitssatz http://www.tuwien.ac.at/goldstern/ 6.September 2006 1 Kurt Gödel, 1906-1978 1906: geboren am 28.April in Brünn (heute Brno)
Mehr