Du willst Design studieren?Bewerbungsschluss zum Sommersemester 2023 ist der 15. November!
Inhalt des Kurses
Machine Learning
Inhalt des Fachs
Im Wahlpflichtfach Machine Learning lernten die Student*innen die Funktionsweise von Deep-Learning-Modellen und deren Einsatzmöglichkeiten kennen. In drei Hacking-Workshops programmierten sie prototypische Machine-Learning-Anwendungen für Video-Konferenzen, IoT-Steuerung und Business-Kommunikation.
Lernziele
Grundverständnis der Funktionsweise Neuronaler Netze
Überblick über den State-of-the-Art im Machine Learning, Deep Learning und Künstlicher Intelligenz
Realisierung von Machine-Learning-Prototypen in Web-Apps, in lokalen Installationen und in der Cloud
Praktischer Umgang mit Frameworks wie ML5.js, Wekinator und RunwayML
Fähigkeit ein Neurales Netz für einen bestimmten Zweck mit Hilfe eines eigenen Datensatzes zu trainieren
Workshops
Im Zoom-Hacking-Workshop entwickelten die Student*innen Machine-Learning-Tools für das Videokonferenz-Tool Zoom.
Mit ML5.js -Programmen konnten sie Bild und Ton im Browser durch Machine-Learning-Algorithmen direkt verarbeiten. Die Verbindung zwischen den Web-Apps und Zoom realisierten sie durch Virtuelle-Kamera-Software und Audio-Routing Software.
Im IoT-Hacking-Workshop entwickelten die Student*innen lokale IoT-Setups mithilfe der grafischen Programmierumgebung Node-RED. Die Messwerte der Sensoren schickten sie via OSC-Protokoll an das Machine-Learning-Tool Wekinator, das dann wiederum per OSC die Aktuatoren ansteuerte. Aufgrund der Corona-Situation kam auch das MQTT-Protokoll zum Einsatz um die geografisch verteilten Setups zu verbinden.
Im Slack-Hacking-Workshop ging es darum, einen Slack-Bot zu entwickeln, der die Business-Kommunikations-Plattform Slack um Machine-Learning-Aspekte erweitert. Für die Realisierung des Slack-Bots nutzen dieStudent*innen alternativ node.js oder Node-RED. Für das Machine-Learning integrierten sie verschiedenste Cloud-Dienste wie Runway.ML.
Durch Machine Learning können Objekte, wie Personen oder Gegenstände in Echtzeit erkannt werden. Diese Technologie wurde verwendet, um im live Kamerabild einer Zoom Videokonferenz alle erkannten Objekte anzuzeigen und in einer Collage zu visualisieren. Die Person vor der Kamera kann sich immer wieder eine Momentaufnahme erstellen lassen, auf der aller Gegenstände vor der Kamera dargestellt werden. Dadurch entsteht über den Zeitraum der Videokonferenz eine abstrakte Darstellung dessen, was sich vor der Kamera abgespielt hat.
Emoji Generator
Mit generativen Machine Learning Modellen können neuartige Inhalte erzeugt werden. Ein solches Modell wurde verwendet, um neue Emojis zu generieren. Diese Emojis können im Kommunikationstool Slack verwendet werden, in dem ein Slackbot aufgerufen wird. Der Slackbot kann in einem Channel angeschrieben werden und antwortet daraufhin automatisch mit einem Emoji, das durch das ML Modell generiert wurde.
Hinterlasse einen Kommentar