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.
In diesem Kurs lernten wir unterschiedliche Ansätze rund um Machine Learning kennen und setzten diese in drei themenbezogenen Workshops um.
Audioerkennung mit Geräuschreaktion
Mit Hilfe des Online Editors von p5.js und Teachable Machine haben wir eine Audioerkennung in Sprachchats umgesetzt. Diese Audioerkennung identifiziert spezifische Wörter, wie “krass”, und gibt darauf hin bestimmte Geräusche wieder. Umgesetzt wurde das Projekt in Zoom, um Aussagen während eines Vortrags zusätzlich durch Geräusche zu unterstreichen.
Audioerkennung mit Geräuschreaktion
Smarte Raumlicht Steuerung
Mit Hilfe eines ESP32 und Lichtsensoren haben wir die Helligkeit in einem Raum und außerhalb des Raumes gemessen. Diese Werte haben wir an einen MQTT Server weiter gegeben und in Node-Red ausgelesen. Vom Node-Red Server wurden die Werte an Wekinator übertragen, wo wir ein Modell trainiert haben, dass bei bestimmten Lichtwerten über Node-Red eine Smarte Glühbirne ein- oder ausschaltet.
Smarte Raumlicht Steuerung
Studentenverifizierung
Damit sich Studenten auch in der Zeit von Corona einfach online identifizieren können, um beispielsweise Semester relevante Informationen abzurufen, haben wir das Projekt “Studentenverifizierung” ins Leben gerufen. Über die Slack API haben wir mit Hilfe eines Slack Bots, Node-Red und Teachable Machine eine Studentenausweis Erkennung umgesetzt.
Hinterlasse einen Kommentar