Hier stellen wir Ihnen unsere Kurseinheiten zu unseren ML Innovationsgebieten zur Verfügung. Diese Sammlung wird stetig erweitert. Zusammengenommen bilden diese Lehreinheiten das hochschulübergreifende Modul “ML für Intelligente Systeme”.
Thema 1: Tutorien und praktische Übungen
Hier sammeln wir Tutorien und andere nützliche Anleitungen, die im Zuge des ITS.ML-Projekts entstehen.Zu den Materialien
Thema 2: Deep Learning
Im Zentrum des Deep Learning steht die Verwendung von neuronalen Netzen, um besonders große Datenmengen zu verarbeiten und zu analysieren. So versetzen Deep Learning Ansätze Maschinen in die Lage, Prognosen zu erstellen und Entscheidungen zu treffen. Unterrichtssprache der folgenden Materialien ist Englisch.Zu den Materialien
Deep Learning 01: Foundations
Prof. Dr. Barbara Hammer, Universität Bielefeld
The first lecture gives an introduction to the topic of deep learning, covering the history of machine learning and neural networks. Characteristics and specific components of deep networks are described, together with ways on how to train them.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.
Deep Learning 2.1: Deep generative models, part 1
Prof. Dr. Barbara Hammer, Universität Bielefeld
After learning about deep networks and corresponding architectures, we move on to generative models. Topics include deep generative models, variational autoencoders, and generative adversarial networks.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.
Deep Learning 2.2: Deep generative models, part 2
Prof. Dr. Barbara Hammer, Universität Bielefeld
This lecture takes a closer look at various generative adversarial network approaches, often developed for special purposes.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.
Deep Learning 3.1: Adversarial attacks and defenses, part 1
Prof. Dr. Barbara Hammer, Universität Bielefeld
This lecture deals with the security of deep models. Ways in which they may be attacked, alongside possible defense mechanisms, are shown.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.
Deep Learning 3.2: Adversarial attacks and defenses, part 2
Prof. Dr. Barbara Hammer, Universität Bielefeld
After learning about different adversarial attacks, we will see what exactly makes an attack adversarial. The lecture discusses unavoidable risks in deep learning, and what attacks may be defended.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.
Deep Learning 4: Explaining deep networks
Prof. Dr. Barbara Hammer, Universität Bielefeld
The last lecture in the deep learning series looks at how deep networks may be explained, a currently emerging field of research. Explanations gain increasing importance as a possible safe-guard to detect issues with deep neural networks.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.
Thema 3: Vorausschauende Wartung
Unser Lehrmaterial zum Thema vorausschauende Wartung - auch Predictive Maintenance genannt - besteht aus 13 Videos, die einen in sich geschlossenen Kurs bilden. Das Material ist im Zuge des online Workshops "Inside Out: The Essentials of Predictive Maintenance" entstanden, organisiert von unseren Kolleg:Innen der Universität Paderborn und der Technischen Hochschule Ostwestfalen-Lippe.Zu den Materialien
Im Folgenden sind die 13 Videos der Lehreinheit “Vorausschauende Wartung” eingebunden. Zur Veranschaulichung und als interaktive Übungen stehen zudem zwei Jupyter Notebook mit ausführbarem Code bereit:
- Restlebenszeit-Vorhersage / Remaining Useful Lifetime (RUL)
- Vorausschauende Wartung: Systemgesundheit eines Cyber-Physikalischen Produktionssystems
- Download des kompletten Codes inkls. Datensätzen über unser Github repository
Thema 4: Lernende Assistentensysteme und erklärbares Machine Learning
Dieses Lehrmodul beleuchtet aktuelle Anwendungen und Herausforderung der Künstlichen Intelligenz aus unterschiedlichen Blickwinkeln. Das folgende Material ist im Zuge des Online-Workshops "Getting AI-ready: Von intelligenten Assistentensystemen bis zu erklärbarem Maschinenlernen" entstanden, organisiert von unseren Kolleg:Innen der Universität und Fachhochschule Bielefeld.Zu den Materialien
XAI: Die richtige Erklärung zur richtigen Zeit
Prof. Dr. Barbara Hammer, Universität Bielefeld
Lernalgorithmen entwickeln komplexe Modelle aus Daten, um Muster und Zusammenhänge zu erkennen. Oft sind die gelernten Zusammenhänge jedoch komplex und abstrakt, und damit für den Menschen praktisch nicht mehr nachvollziehbar.
Die Folien geben einen Überblick, welche Erklärungsverfahren für verschiedene Bedürfnisse und Anforderungen zur Verfügung stehen. Dabei werden tiefe Netze und darüberhinausgehende Verfahren betrachtet.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.
Hybride ML-Modelle zur Vorhersage von Gliedmaßenbewegungen basierend auf Biosignalen
Prof. Dr. Axel Schneider, Nils Grimmelsmann, Fachhochschule Bielefeld
Körpernahe Robotersysteme wie z.B. Exoskelette oder aktuierte Orthesen sollen den Bewegungsapparat des Menschen entlasten und unterstützen. Um dieses Ziel zu erreichen, müssen solch Systeme in der Lage sein, sich an die Bewegungen des menschlichen Trägers anzupassen oder diese sogar vorherzusagen. Als Grundlage für Bewegungsvorhersagen können neben Kraft- und Winkelmessungen im mechanischen Interface zwischen Exosystem und Gliedmaße auch Biosignale, z.B. Oberflächen-Myogramme (sEMGs) von Muskeln, benutzt werden.
Die Folien geben einen Überblick, wie hierfür eine hybride Modellbildung auf Basis von maschinellem Lernen gelingen kann.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.
KI für assistierende Systeme zum Erlernen von Bewegungsabläufen anhand von Kameradaten
Prof. Dr.-Ing. Wolfram Schenck, Dr. Koenraad Vandevoorde, Fachhochschule Bielefeld
Der Mensch erlernt motorische Fertigkeiten auf natürliche Weise, aber es braucht viel Zeit und Training, um komplexe Bewegungsabläufe zu beherrschen. Moderne Technologien und Verfahren des maschinellen Lernens (ML) ermöglichen es uns, Menschen beim Erlernen neuer Bewegungsabläufe zu unterstützen. Dieser Vortrag gibt einen Überblick über ML-Algorithmen zur Bewegungsanalyse und zu Sensortechnologien (Vision, Tiefenbilder, Motion Capture), die zur Charakterisierung und Bewertung menschlicher Bewegungen eingesetzt werden können, um das Ziel einer effizienten Unterstützung zu erreichen. Eine solche Unterstützung kann beispielsweise durch Trainingshinweise in Augmented-Reality-Umgebungen erfolgen.
Mit Klick auf das Bild gelangen Sie zu dem dazugehörigen Foliensatz.