Modulbeschreibung
Artificial Intelligence for 3D Model Detection
Kürzel:
M_VP_22802
Durchführungszeitraum:
FS/22
ECTS-Punkte:
15
Lernziele:
- Understanding of 3D model data structures and its design processes.
- Know how to analyze and deconstruct 3D models that will be used as inputs for machine learning.
- Ability to implement neural networks using existing frameworks to recognize 3D models.
- Ability to evaluate and compare different algorithms and models with regard to efficiency and effectivity.
Verantwortliche Person:
Frei Norbert
Standort (angeboten):
Waldau St.Gallen
Zusätzlich vorausgesetzte Kenntnisse:
Digital Image Processing, Geometry, Computer Vision, Visual Computing, Computer Graphics or an equivalent class. Experience in C/C++ and Python programming language. Knowledge in machine learning algorithm.
Modultyp:
Standard-Modul für MSE Master of Science in Engineering BB STD_08 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering BB STD_16 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering BB STD_13 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering VZ STD_08 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering VZ STD_16 (BU)(Keine Semesterempfehlung)
Standard-Modul für MSE Master of Science in Engineering VZ STD_13 (BU)(Keine Semesterempfehlung)
Standard-Modul für Technik und IT MSE_20(Keine Semesterempfehlung)
ECTS-Punkte pro Kategorie
Fachliche Vertiefung / 15 Punkte
Fachliche Vertiefung / 15 Punkte
Fachliche Vertiefung / 15 Punkte
Fachliche Vertiefung / 15 Punkte
Fachliche Vertiefung / 15 Punkte
Fachliche Vertiefung / 15 Punkte
Fachliche Vertiefung / 15 Punkte
Modulbewertung
Bewertungsart:
Note von 1 - 6
Leistungsbewertung
Während des Semesters:
Im Kurs "Artificial Intelligence for 3D Model Detection“ wird ein Projekt mittels Bericht und Präsentation bewertet. Im Kurs "Stochastic Modelling“ wird eine Prüfung geschrieben.
Bewertungsart:
Note von 1 - 6
Gewichtung:
Im Kurs "Artificial Intelligence for 3D Model Detection“ wird ein Projekt mittels Bericht und Präsentation (Gêwciht 80%) bewertet. Im Kurs "Stochastic Modelling“ wird eine Prüfung (Gewicht 20%) geschrieben.
Bemerkungen:
Kurse in diesem Modul
Stochastic Modelling
Kürzel:
VP_2280202
Arbeitsaufwand:
90
Semester:
1
Lernziele:
- Familiar with the main working tools and concepts of stochastic modelling.
- Ability to explain properties and limitations of stochastic processes as a modelling tool for noisy systems.
- Ability to create model and analyze simple random phenomena using stochastic models.
Plan und Lerninhalt:
- Probability review: random variables, conditional probabilities, theorem of large numbers, central limit theorem.
- Introduction to discrete and continuous stochastic processes.
- Discrete, continuous and hidden Markov Chains.
- Bernoulli, Poisson, Gaussian Processes, Brownian motion, white and coloured noise.
Kursart:
Durchführung gemäss Stundenplan
Seminar mit Lektionen pro Woche
- Max. Teilnehmer: 36
- Harte Grenze: nein
Artificial Intelligence for 3D Model Detection
Kürzel:
VP_2280201
Arbeitsaufwand:
360
Semester:
1
Lernziele:
- Understanding of 3D model data structures and its design processes.
- Know how to analyze and deconstruct 3D models that will be used as inputs for machine learning.
- Ability to implement neural networks using existing frameworks to recognize 3D models.
- Ability to evaluate and compare different algorithms and models with regard to efficiency and effectivity.
Plan und Lerninhalt:
- Digital image fundamentals and 3D model data structures.
- Deep learning: Multilayer Perceptron, Convolutional Neural Networks, Recurrent Neural Networks.
- Implementation of deep learning strategy using deep learning frameworks, in this case: TensorFlow.
- Evaluation and comparison between models and architectures.
Kursart:
Durchführung gemäss Stundenplan
Projekt mit Lektionen pro Woche
- Max. Teilnehmer: 99
- Harte Grenze: nein