|
|
Einrichtungen >> Technische Fakultät (TF) >> Department Artificial Intelligence in Biomedical Engineering (AIBE) >>
|
Lehrstuhl für Maschinelles Lernen und Datenanalytik
| |
A look inside the human body - gait analysis and simulation [GAS] -
- Dozent/in:
- Anne Koelewijn
- Angaben:
- Vorlesung, 2 SWS, ECTS: 2,5, nur Fachstudium, Organisation and slides via StudOn. Grading: written or oral exam
- Termine:
- Di, 08:15 - 09:45, H15
Organisation and slides via StudOn.
- Studienrichtungen / Studienfächer:
- WPF INF-MA ab 1
WF EEI-MA ab 1
WF MT-MA-BDV ab 1
WF MT-MA-GPP ab 1
WF MT-MA-MEL ab 1
- Schlagwörter:
- gait analysis, trajectory optimization, gait simulation, inverse kinetic, inverse kinematics, muscle modelling, musculoskeletal models, metabolic energy
|
| |
Bewegungsanalyse und biomechanische Grenzgebiete [BABG] -
- Dozent/in:
- Anne Koelewijn
- Angaben:
- Vorlesung, 2 SWS, ECTS: 2,5
- Termine:
- Zeit/Ort n.V.
- Studienrichtungen / Studienfächer:
- WF MT-BA ab 4
WF MT-MA ab 1
WF MT-MA-BDV ab 1
WF MT-BA-BV ab 4
WF MT-MA-MEL ab 1
WF MT-MA-IDP ab 1
WF MT-BA-GP ab 4
- Voraussetzungen / Organisatorisches:
- Für diese Lehrveranstaltung ist eine Anmeldung erforderlich.
Die Anmeldung erfolgt über: https://www.vhb.org/
- Inhalt:
- • Anatomie des menschlichen Bewegungsapparates
Muskeln, Sehnen, Bänder, Knochen, Knorpel• Gelenkmechanik • Kinematik
Bewegungsanalyse und Motion-Capturing-Systeme • Kinetik
Kraft- & Druckmessplatten, Bodenreaktionskräfte • Elektromyographie • 3D-Modellierung in der Biomechanik Segmentierung, 3D-Modelle • Simulation
FEM, MKS
- Empfohlene Literatur:
- Relevante Literatur ist im online-Kurs zu den jeweiligen Kapiteln angegeben.
|
| |
Digital Psychology Lab [DiPsyLab] -
- Dozentinnen/Dozenten:
- Robert Richer, Katharina Jäger, Veronika König, Björn Eskofier, Nicolas Rohleder
- Angaben:
- Seminar, 2 SWS, benoteter Schein, ECTS: 5, nur Fachstudium
- Termine:
- Mo, 14:15 - 15:45, 00.010
Die Lehrveranstaltung beginnt am Montag, 18.10. Bitte beachten Sie die Rahmenbedingungen für die Lehre (3G-Regeln!)
- Studienrichtungen / Studienfächer:
- WF MT-MA ab 1
- Voraussetzungen / Organisatorisches:
- Voraussetzungen: Im Vordergrund des Kurses steht die Verarbeitung und Analyse von biopsychologischen Daten in Python im Vordergrund. Daher sind (gute) Kenntnisse der Programmiersprache Python und damit verbundene Programmbibliotheken (NumPy, Pandas, SciPy, Matplotlib, etc.), bzw. das Interesse, sich diese Kenntnisse als Vorbereitung oder im Laufe des Kurses anzueignen, erwünscht.
Wenn Sie Ihr Wissen prüfen oder auffrischen wollen, empfehlen wir Ihnen die folgenden Vorlesungen und Online-Ressourcen: Beachten Sie jedoch, dass einige von ihnen bei vielen Themen über die Anforderungen dieses Kurses hinausgehen!
Anmeldung: Studierende der Medizintechnik melden sich bei Interesse an der Lehrveranstaltung bitte vorab per Email an mad-dipsylab@fau.de an.
- Inhalt:
- Die interdisziplinäre Lehrveranstaltung "Digital Psychology Lab" ist für Studierende der Psychologie und Medizintechnik konzipiert. In Gruppen werden aktuelle Fragestellungen aus den Bereichen der digitalen Gesundheits- und Stressforschung bearbeitet. Ziel dieses forschungsorientierten Kurses ist die Stärkung der Zusammenarbeit zwischen den einzelnen Disziplinen, um gegenseitige Synergieffekte optimal zu nutzen. Die Studierenden sollen ihre individuellen Kompetenzen, die sie während des Studiums erlernt haben, in interdisziplinären Teams einsetzen, um voneinander zu profitieren.
Neben der Planung und Durchführung einer Forschungsfrage sowie Analyse der Ergebnisse in Gruppen wird es während des Semesters auch Lehreinheiten der verschiedenen Disziplinen geben (Psychologie: Theoretische Modelle und biologische Grundlagen von Stress, hypothesengeleitete Planung und Durchführung von Experimenten, Erhebung von Biomarkern und deren Auswertung im Labor, Inferenzstatistik; Medizintechnik: Datenanalyse in Python, Erfassung und Verarbeitung von physiologischen Signalen, Grundlagen des maschinellen Lernens). Zudem werden Grundlagen des wissenschaftlichen Arbeitens und des Forschungsdatenmanagements vermittelt. Zu den behandelten Themen gehören unter anderem:
Überblick über aktuelle Themen auf dem Gebiet des maschinellen Lernens und der Datenanalyse für die Stressforschung Beste Praktiken für Präsentation und Ausarbeitung wissenschaftlicher Ergebnisse Beste Praktiken für hypothesengeleitete Planung und Durchführung von Experimental- und Feldstudien
|
| |
Green AI [Green AI] -
- Dozent/in:
- Eva Dorschky
- Angaben:
- Seminar, 2 SWS, benoteter Schein, ECTS: 2,5
- Termine:
- Zeit/Ort n.V.
- Inhalt:
- Can we use AI to combat global climate change? How can advances in machine learning and data science help to monitor climate crises and to conserve nature? What is the role of AI in reducing greenhouse gas emissions in the manufacturing industries, transportation infrastructure, agriculture, and power sector? In this seminar, we will develop and discuss future perspectives of AI for sustainability.
However, current advances in machine learning, particularly deep learning, have led to an exponential increase in computational cost and thus significant carbon emissions. In this seminar, we will learn about important aspects of improving the sustainability of machine learning algorithms.
- Empfohlene Literatur:
- Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., ... & Nerini, F. F. (2020). The role of artificial intelligence in achieving the Sustainable Development Goals. Nature communications, 11(1), 1-10.
Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green ai. Communications of the ACM, 63(12), 54-63.
|
| |
Innovationslabor für Wearable und Ubiquitous Computing [InnoLab] -
- Dozentinnen/Dozenten:
- Björn Eskofier, Matthias Zürl, Philipp Dumbach, Marlies Nitschke, Malte Ollenschläger, Nils Roth, Johannes Link, Maike Stöve, Martin Ullrich, Michael Nissen, Mohamad Wehbi, Imrana Abdullahi Yari, Alzhraa Ahmed, Ann-Kristin Seifer, Kai Klede, Misha Sadeghi
- Angaben:
- Praktikum, 4 SWS, benoteter Schein, geeignet als Schlüsselqualifikation
- Termine:
- Di, 16:15 - 17:45, 00.010
Do, 12:15 - 13:45, 00.010
- Studienrichtungen / Studienfächer:
- WF INF-MA ab 1
WF MT-MA ab 1
WF MB-MA ab 1
WF ME-MA ab 1
WF WING-MA ab 1
WF CE-MA ab 1
WF IIS-MA ab 1
WF Ph-MA ab 1
- Voraussetzungen / Organisatorisches:
- Themenvergabe und Terminfindung in der ersten Woche des Semesters.
Anmeldung bis 08.10.2021 unter Studon.
Die Vergabe der Plätze im Kurs erfolgt nach einem Aufnahmeantrag. In diesem sollen Studierende ihren Studiengang, ihr Fachsemester und den angestrebten Abschluss nennen (Bachelor/Master). Sind zu viele Anmeldungen eingegangen und der Kurs ist voll, gibt es eine Warteliste.
Das Praktikum steht Studierenden der genannten Studienrichtungen ab dem 5. Bachelorsemester (und aller Mastersemester) ebenfalls offen. Für weitere Studiengänge und ECTS-Verteilungen bitte unter Matthias.Zuerl@fau.de nachfragen.
Weitere Informationen zu der Lehrveranstaltung können auch unserer Webseite entnommen werden: https://www.mad.tf.fau.de/teaching/innolab/ ,
Anmeldung: https://www.studon.fau.de/crs3985784.html
Die Anmeldung ist möglich ab dem 06.09.2021 bis einschließlich 08.10.2021
- Inhalt:
- Mini-Computer, die unseren Lebensrhythmus dokumentieren, EKG-Sensoren, die jedes Detail aufzeichnen, Brillen, die uns in eine andere Realität versetzen – diesen Technologien begegnen wir mittlerweile ständig im Alltag. Im Innovationslabor für Wearable und Ubiquitous Computing werden solche Technologien von Studierenden entwickelt und gleichzeitig aufgezeigt, wie man mit diesen ein eigenes Startup gründen könnte.
Die innovativen Technologien werden dabei prototypisch in Gruppenarbeit (5-8 Studierende) unter Nutzung von agilen Entwicklungsmethoden (Scrum) geschaffen. Den Studierenden steht dabei der Zugang zum Innovationslabor offen, welches mit der nötigen Infrastruktur für die Entwicklung der Prototypen ausgestattet ist. Die Ideen für die Projekte stammen dabei entweder von kooperierenden Firmen oder von den Studierenden selbst.
Neben dem Prototyping erlernen die Teilnehmer in Tutorials die Grundlagen für innovatives Arbeiten wie Design Thinking und Patentrecherche. Zudem wird ihnen beigebracht, wie sie nach der Entwicklung ihre Ideen schützen und gegebenenfalls an den Markt bringen können.Lernziele und Kompetenzen:
Ideation, Design Thinking
Patentrecherche, Marktanalysetechniken
Agile Entwicklungsmethoden (Scrum)
Prototyping
Sicherung geistigen Eigentums
Einführung in Entrepreneurship, Startup Finanzierung
. Prüfungsleistung
Der Umfang der Leistung im Innovation Lab setzt sich aus vier Teilbereichen zusammen (in Klammern ist der Anteil an der Gesamtnote angegeben):
Teampräsentation - 30 min (30%)
Abschlussvortrag - 10 min (10 %)
Hardware/Software Development, Scrum Meetings, Practical work (40%)
Abschlussdokumentation/Report - ca. 3 - 6 Seiten pro Studierendem (20 %)
Nach dem erfolgreichen Absolvieren erhalten die Studierenden 10 ECTS.
|
| |
Maschinelles Lernen für Zeitreihen [MLTS] -
- Dozentinnen/Dozenten:
- Björn Eskofier, Oliver Amft, Dario Zanca, Luis Ignacio Lopera Gonzalez
- Angaben:
- Vorlesung, 2 SWS, benoteter Schein, ECTS: 2,5
- Termine:
- Di, 12:15 - 13:45, 05.025
- Studienrichtungen / Studienfächer:
- WF ASC-MA ab 1
WF INF-MA ab 1
WF CE-MA-TA-MT ab 1
WF MT-MA ab 1
WPF AI-MA ab 1
- Inhalt:
- Die Vorlesung vermittelt Konzepte des Maschinellen Lernens speziell im Hinblick auf Anwendungen bei Zeitreihen. Es handelt sich hier um eine Spezialisierungsvorlesung, eine erfolgreiche Absolvierung der Vorlesungen „IntroPR" und/oder „Pattern Recognition"/"Pattern Analysis" wird empfohlen. Konzepte, die in „IntroPR" vermittelt werden, werden hier als Grundwissen vorausgesetzt.
Die folgenden Themen werden in der Vorlesung behandelt:
Ein Überblick über die Anwendungsgebiete der Zeitreihenanalyse Methodische Grundlagen des Maschinellen Lernens (ML) für die Analyse von Zeitreihen, beispielsweise Gauß-Prozesse, Monte-Carlo Sampling und Deep Learning Design, Implementierung und Evaluation von ML Methoden, um Probleme in Zeitreihen zu adressieren Arbeitstechniken in bekannten Toolboxen zur Implementierung von relevanten Methoden, beispielsweise Tensorflow/Keras
- Empfohlene Literatur:
- Machine Learning: A Probabilistic Perspective, Kevin Murphy, MIT press, 2012
The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, Jerome Friedman, Springer, 2009 Deep Learning, Ian Goodfellow and Yoshua Bengio and Aaron Courville, MIT Press, 2016 Reinforcement Learning: An Introduction, Richard S. Sutton and Andrew G. Barto, MIT press, 1998
|
| |
Maschinelles Lernen und Datenanalytik für Industrie 4.0 [MADI40] -
- Dozentinnen/Dozenten:
- Björn Eskofier, An Nguyen, Johannes Roider, Christoph Scholl
- Angaben:
- Seminar, 2 SWS, benoteter Schein, ECTS: 5, nur Fachstudium, Registration via mail to johannes.roider@fau.de
- Termine:
- Mi, 16:15 - 18:00, 00.010
Starts October 20th 2021
- Studienrichtungen / Studienfächer:
- WPF MT-MA-BDV ab 1
WPF INF-MA ab 1
WPF CE-MA ab 1
WF EEI-MA ab 1
WF ASC-MA ab 1
WF ICT-MA ab 1
WPF AI-MA ab 1
- Voraussetzungen / Organisatorisches:
- Prerequisites
Registration via e-mail to johannes.roider@fau.de Registration period: 16.08. - 19.10.2021
The seminar is planned to be held in person, given that the Bavarian state government allows face-to-face teaching at the time when the course starts. More information will be sent via mail to registered students. Requirements:
Prior knowledge of machine learning via courses like PA, IntroPR, PR, DL, MLTS, CVP or equivalent (ideally first project experiences) is expected! Motivation to explore scientific findings (e.g. via literature research) Motivation to code and analyze data
Examination:
50% of grade: Presentation + demo (20 minutes)
50% of grade 4 pages IEEE standard paper (excluding references) (+ code submission)
Attending the presentations of other students
- Inhalt:
- Contents
Companies in all kinds of industries are producing and collecting rapidly more and more data from various sources. This is enabled by technologies such as the Internet of Things (IoT), Cyber-physical system (CPS) and cloud computing. Hence there is an increasing demand in industry and research for students and graduates with machine learning and data analytics skills in the Industry 4.0 context.
In this Seminar the Industry 4.0 term will include adjacent fields like the medical device or the automotive sector. Aim of this seminar is to give students insights about state-of-the-art machine learning and data analytics methods and applications in Industry 4.0 and adjacent fields. Students will mainly work independently on either a implementation centric or a research centric topic. The implementation centric topics will focus primarily on the implementation of algorithms and analytical components, while the research centric topic will focus on researching and structuring literature on a specific field of interest. Several potential topics will be provided but students are also encouraged to propose their own topics (please discuss with teaching staff beforehand). Topics covered will include but are not limited to:
Best practices for presentation and scientific work
Brief overview of current hot topics in the field of machine learning and data analytics for Industry 4.0 (e.g. deep learning for predictive maintenance and process mining for usage analysis)
Data acquisition (what kind of data can be acquired? Identification of publicly available data sets) and storage (how can data be stored efficiently?)
Machine learning and data analytics methodologies (Support vector machines, Hidden Markov models, Deep learning, Process mining, etc.) for industrial data (sensor data, event logs, ...)
The seminar will include talks by corresponding lecturer and invited experts in the domain. Furthermore, students will present results from literature research and data analytics projects (provided or open source datasets). Learning Objectives and Competencies
Students will develop an understanding of the current hot field of machine learning and data analytics for Industry 4.0 / healthcare
Students will learn to research and present a topic within the context of machine learning and data analytics for Industry 4.0 / healthcare independently
Students will learn to identify opportunities, challenges and limitations of corresponding ML approaches for Industry 4.0 / healthcare
Students will develop the skill to identify and understand relevant literature and to present their finding in a structured manner
Students will learn to present implementation and validation results in form of a demonstration and/or report
- Empfohlene Literatur:
- Literature (Selection)
Lei, Yaguo, Naipeng Li, Liang Guo, Ningbo Li, Tao Yan, and Jing Lin. “Machinery Health Prognostics: A Systematic Review from Data Acquisition to RUL Prediction.” Mechanical Systems and Signal Processing 104 (May 2018): 799–834.https://doi.org/10.1016/j.ymssp.2017.11.016. Rojas, Eric, Jorge Munoz-Gama, Marcos Sepúlveda, and Daniel Capurro. “Process Mining in Healthcare: A Literature Review.” Journal of Biomedical Informatics 61 (June 1, 2016): 224–36. https://doi.org/10.1016/j.jbi.2016.04.007. Wil M. P. van der Aalst. „Process Mining: Data Science in Action” 2nd edition, Springer 2016. ISBN 978-3-662-49851-4 Wang, Lihui, and Xi Vincent Wang. Cloud-Based Cyber-Physical Systems in Manufacturing. Cham: Springer International Publishing, 2018. https://doi.org/10.1007/978-3-319-67693-7.
- Schlagwörter:
- Machine Learning, Data Analytics, Process Mining, Predictive Maintenance, Industry 4.0, Healthcare
|
| |
The why and how of human gait simulations [HGS] -
- Dozent/in:
- Anne Koelewijn
- Angaben:
- Seminar, 2 SWS, benoteter Schein, ECTS: 2,5, nur Fachstudium, Organisation and slides via StudOn.
- Termine:
- Di, 10:15 - 11:45, 00.010
- Studienrichtungen / Studienfächer:
- WF MT-MA-BDV ab 1
WF MT-MA-GPP ab 1
WPF INF-MA ab 1
WF EEI-MA ab 1
WF MT-MA-MEL ab 1
- Voraussetzungen / Organisatorisches:
- Assignment: Mail to mailto:anne.koelewijn@fau.de
The grade consists of a presentation and a report, both counting 50% of the final grade.
- Inhalt:
- Learning objectives:
Set up a trajectory optimization problem to solve for a gait simulation
Be familiar with different approaches to solving gait simulations
Be able to select an approach to solve a specific simulation problem
Know the state-of-the-art gait simulation methods used at FAU and universities in Germany and abroad
- Schlagwörter:
- trajectory optimization, optimal control, human locomotion, biomechanics
|
|
 |
|
|
UnivIS ist ein Produkt der Config eG, Buckenhof |
|
|