{"id":176,"date":"2013-11-02T00:33:21","date_gmt":"2013-10-03T11:16:17","guid":{"rendered":"http:\/\/lwibs01.gm.fh-koeln.de\/blogs\/konen\/?page_id=176"},"modified":"2021-11-07T13:38:15","modified_gmt":"2021-11-07T11:38:15","slug":"interessensgebiete","status":"publish","type":"page","link":"https:\/\/blogs.gm.fh-koeln.de\/konen\/forschung\/interessensgebiete\/","title":{"rendered":"Interessensgebiete"},"content":{"rendered":"<div class=\"twoclick_social_bookmarks_post_176 social_share_privacy clearfix 1.6.4 locale-de_DE sprite-de_DE\"><\/div><div class=\"twoclick-js\"><script type=\"text\/javascript\">\/* <![CDATA[ *\/\njQuery(document).ready(function($){if($('.twoclick_social_bookmarks_post_176')){$('.twoclick_social_bookmarks_post_176').socialSharePrivacy({\"txt_help\":\"Wenn Sie diese Felder durch einen Klick aktivieren, werden Informationen an Facebook, Twitter, Flattr, Xing, t3n, LinkedIn, Pinterest oder Google eventuell ins Ausland \\u00fcbertragen und unter Umst\\u00e4nden auch dort gespeichert. N\\u00e4heres erfahren Sie durch einen Klick auf das <em>i<\\\/em>.\",\"settings_perma\":\"Dauerhaft aktivieren und Daten\\u00fcber-tragung zustimmen:\",\"info_link\":\"http:\\\/\\\/www.heise.de\\\/ct\\\/artikel\\\/2-Klicks-fuer-mehr-Datenschutz-1333879.html\",\"uri\":\"https:\\\/\\\/blogs.gm.fh-koeln.de\\\/konen\\\/forschung\\\/interessensgebiete\\\/\",\"post_id\":176,\"post_title_referrer_track\":\"Interessensgebiete\",\"display_infobox\":\"on\"});}});\n\/* ]]> *\/<\/script><\/div><h3>K\u00fcnstliche Intelligenz (KI) &amp; <a href=\"#DataMining\">Data Mining<\/a><\/h3>\n<ul type=\"disc\">\n<li><a href=\"#ReinforcementLearning\">Reinforcement Learning (RL)<\/a><\/li>\n<li>Neuronale Lernverfahren, <a href=\"#SFA\">Slow Feature Analysis (SFA)<\/a><\/li>\n<li>Evolutionsstrategien, <a href=\"#Neuroevolution\">Neuroevolution<\/a><\/li>\n<li>Prognose und Zeitreihenanalyse<\/li>\n<li><a href=\"#RandomForests\">Random Forest<\/a><\/li>\n<li><a href=\"#SVM\">Support Vector Machines (SVM)<\/a><\/li>\n<li><a href=\"#CI\">Computational Intelligence<\/a><\/li>\n<\/ul>\n<h3>Bild- und Signalverarbeitung<\/h3>\n<ul type=\"disc\">\n<li style=\"list-style-type: none\">\n<ul type=\"disc\">\n<li>Muster- und Gesichtserkennung,<\/li>\n<li>Computational Geometry (3D-Modellierung, <a href=\"#ASM\">ASM<\/a>\/<a href=\"#AAM\">AAM<\/a>, Stereo, <a href=\"#ImageMosaicing\">Image Mosaicing<\/a>),<\/li>\n<li>Gestenerkennung<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<ul type=\"disc\">\n<li style=\"list-style-type: none\">\n<ul type=\"disc\">\n<li>3D Natural User Interfaces (NUIs): <a href=\"#Kinect\">Kinect<\/a>, Wii<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<ul type=\"disc\">\n<li>Medizinische Bildverarbeitung.<\/li>\n<\/ul>\n<h3>Optimierung, Simulation, Spieltheorie<\/h3>\n<ul type=\"disc\">\n<li>Optimierung: multikriteriell, EGO, Kriging, Constraints<\/li>\n<li>Lernen von Strategien, Game Learning,<\/li>\n<li>Simulation,<\/li>\n<li><a href=\"#GamePhysics\">Game Physics<\/a>,<\/li>\n<\/ul>\n<p class=\"lead\">&nbsp;<\/p>\n<h3>Kleines Glossar<a name=\"ASM\"><\/a><\/h3>\n<p>&nbsp;<\/p>\n<table border=\"0\" cellpadding=\"4\">\n<tbody>\n<tr>\n<td valign=\"top\">ASM<a name=\"AAM\"><\/a><\/td>\n<td>Active Shape Models: Will man in der Bildverarbeitung deformierbare Objekte (Gesichter, H\u00e4nde, medizinische Aufnahmen) beschreiben, so kommt man mit starren Modellen nicht sehr weit. Shape Models sind flexible Konturen oder Formen (Form = shape), die &#8222;lernen&#8220;, in welche Richtung sie sich leicht \/ schwer deformieren lassen. Active Shape Models sind Modelle, die sich automatisch auf ein vorgegebenes Bild anpassen.<br \/>\nLV: <a href=\"http:\/\/mims01.gm.fh-koeln.de\/twiki\/bin\/view\/MIBachelor\/WPFMiaV\">WPF MIAV (BA)<\/a> und <a href=\"http:\/\/mims01.gm.fh-koeln.de\/twiki\/bin\/view\/MIBachelor\/WPFMiaV\">WPF MIAV (MA)<\/a>.<\/td>\n<\/tr>\n<tr>\n<td valign=\"top\">AAM<a name=\"CI\"><\/a><\/td>\n<td>Active Appearance Models: Weiterentwicklung der <a href=\"#ASM\">ASMs<\/a>: nicht nur die Form, sondern auch die Textur (Aussehen = appearance) wird gelernt. Hierdurch lassen sich mit nur wenigen Parametern aus einem Modell eine Vielzahl von Bildinstanzen erzeugen. Anwendungsfelder: Gesichtsmodellierung, -findung, z.B. Tracking bei Videotelefonie, \u00dcbertragung von Gesichtsmimik auf Avatare, Eye Tracking, modellbasierte Registrierung in medizinischen Bildern.<\/p>\n<p>LV: <a href=\"http:\/\/mims01.gm.fh-koeln.de\/twiki\/bin\/view\/MIBachelor\/WPFMiaV\">WPF MIAV (BA)<\/a> und <a href=\"http:\/\/mims01.gm.fh-koeln.de\/twiki\/bin\/view\/MIBachelor\/WPFMiaV\">WPF MIAV (MA)<\/a>.<br \/>\nExterne Links: <a href=\"http:\/\/www.isbe.man.ac.uk\/%7Ebim\" target=\"_top\" rel=\"noopener\">www.isbe.man.ac.uk\/~bim<\/a>, <a href=\"http:\/\/www2.imm.dtu.dk\/%7Eaam\" target=\"_top\" rel=\"noopener\">http:\/\/www2.imm.dtu.dk\/~aam<\/a>.<\/td>\n<\/tr>\n<tr>\n<td valign=\"top\">Computational Intelligence (CI)<a name=\"DataMining\"><\/a><\/td>\n<td>Der Begriff Computational Intelligence (CI) umfasst die drei Gebiete Evolution\u00e4re Algorithmen, Neuronale Netze und Fuzzy Logic. Methoden der Computational Intelligence finden Anwendung bei komplexen Optimierungsaufgaben und bei Aufgaben des <a href=\"#DataMining\">Data Mining<\/a>.<br \/>\nLV: <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/WPF-DM-Cup\/info_zum_kurs_DMC.html\">WPF DMC<\/a><\/td>\n<\/tr>\n<tr>\n<td valign=\"top\">Data Mining<a name=\"GamePhysics\"><\/a><\/td>\n<td>Data Mining befasst sich mit der automatisierten Analyse von Daten im weitesten Sinne, wie z.B. Gesch\u00e4ftsprozessdaten in Data Warehouses, Messreihen aus technischen Systemen, Daten in geografischen Informationssystemen bis hin zum <a href=\"#TextMining\">Text Mining<\/a> als aktuellem Forschungsgebiet.<br \/>\nLV: <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/WPF-DM-Cup\/info_zum_kurs_DMC.html\">WPF DMC<\/a><\/td>\n<\/tr>\n<tr>\n<td valign=\"top\">Game Physics<a name=\"ImageMosaicing\"><\/a><\/td>\n<td>Wenn in Computerspielen Bewegung und Verhalten von Objekten und Charakteren gem\u00e4\u00df physikalischer Gesetze online berechnet werden, so spricht man von Game Physics oder Physics Engines. Dadurch k\u00f6nnen auch komplexe Interaktionsmuster (Kollisionen) oder Oberfl\u00e4chen (Wasser, Stoffe) realit\u00e4tsnah abgebildet werden. Die Gestaltung von interaktiven virtuellen Welten wird mit Physics Engines wesentlich vereinfacht. Bekannte Vertreter sind <a href=\"http:\/\/www.ode.org\/\">ODE (Open Dynamics Engine)<\/a> oder <a href=\"http:\/\/www.physicsengine.com\/\">Newton<\/a>.<br \/>\nLV: <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/WPF-Spiele\/index.html\">WPF Spiele und Simulation<\/a>.<\/td>\n<\/tr>\n<tr>\n<td valign=\"top\">Image<a name=\"Neuroevolution\"><\/a>\u00a0Mosaicing<\/td>\n<td>Beim Image Mosaicing werden mehrere \u00fcberlappende Bilder so transformiert (<a href=\"#Warping\">Warping<\/a>) und dann zusammengesetzt, dass sich ein gro\u00dfes Gesamtbild ergibt (Anwendung z.B. bei 360-Grad-Panoramen). Die Kunst liegt darin, die Passung m\u00f6glichst vollautomatisch zu ermitteln. Man unterscheidet zwischen featurebasierten und intensit\u00e4tsbasierten Ans\u00e4tzen.<br \/>\nLV: <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/WPF-BV\/index.html\">WPF BV<\/a><\/td>\n<\/tr>\n<tr>\n<td valign=\"top\">Kinect<a name=\"Kinect\"><\/a><\/td>\n<td>Die Microsoft Kinect kann 3D-Informationen messen (Stereo-Triangulation mittels spezieller IR-Beleuchtung und -Kamera). Mit einer speziellen Software kann sie bei Menschen, die sich vor der Kamera bewegen, K\u00f6rperteile wie H\u00e4nde und Kopf detektieren und nachverfolgen. Damit erlaubt die Kinect eine 3D-Interaktion zwischen Mensch und Computer, ohne dass der Mensch irgendwelche Sensoren tragen muss.<br \/>\nLV: <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/WPF-Spiele\/index.html\">WPF Spiele und Simulation<\/a>.<\/td>\n<\/tr>\n<tr>\n<td valign=\"top\"><a name=\"RandomForests\"><\/a>Neuroevolution<\/td>\n<td>Unter Neuroevolution versteht man die Ver\u00e4nderung eines neuronalen Netzes mit Methoden der Evolution\u00e4ren Algorithmen. Es kann sich dabei um eine Optimierung der Gewichte oder um eine Optimierung der Topologie handeln. Ist besonders dann vorteilhaft, wenn nicht f\u00fcr jede einzelne Aktion des Netzes eine Bewertung verf\u00fcgbar ist, also z.B. beim <a href=\"#ReinforcementLearning\">Reinforcement Learning<\/a>.<br \/>\nLV: <a href=\"http:\/\/www.gm.fh-koeln.de\/go\/soma\">Case Studies SOMA<\/a>, <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/research\/DA-BA-MA\/BA-MA-Diplom.html\">BA-\/MA-Abschlussarbeiten<\/a><br \/>\nExterne Links: <a href=\"http:\/\/nn.cs.utexas.edu\/pages\/research\/neuroevolution.html\" target=\"_top\" rel=\"noopener\">http:\/\/nn.cs.utexas.edu\/pages\/research\/neuroevolution.html<\/a>.<\/td>\n<\/tr>\n<tr>\n<td valign=\"top\"><a name=\"SFA\"><\/a>Random Forest<\/td>\n<td>Random Forest ist ein Lernverfahren des <a href=\"#DataMining\">Data Mining<\/a>. Es werden viele Entscheidungsb\u00e4ume parallel mit leicht unterschiedlichen Teilmengen der Daten trainiert. Die B\u00e4ume gemeinsam geben dann einen Mehrheitsentscheid ab. Diese Entscheidung des &#8222;Waldes&#8220; ist oftmals wesentlich besser als die Entscheidung eines Einzelverfahrens.<br \/>\nLV: <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/WPF-DM-Cup\/info_zum_kurs_DMC.html\">WPF DMC<\/a><\/td>\n<\/tr>\n<tr>\n<td valign=\"top\"><a name=\"SVM\"><\/a>Slow Feature Analysis (SFA)<\/td>\n<td>SFA ist ein Analyseverfahren aus der Neuroinformatik (Laurenz Wiskott, Ruhr-Uni Bochum). Ziel der SFA ist es, in einem mehrdimensionalen Zeitsignal solche Kombinationen oder &#8222;Konzepte&#8220; zu suchen, die langsam ver\u00e4nderlich sind. Anschauliches Bild: Das Zebra, das sich koh\u00e4rent vor der Retina bewegt, bewirkt in jeder Retinazelle\u00a0ein schnell ver\u00e4nderliches Signal, da die Zelle in jedem Moment eine andere Lichtintensit\u00e4t empf\u00e4ngt. Das Konzept &#8222;Zebra ist da und bewegt sich nach rechts oben&#8220; ist ein vergleichsweise langsames Signal und kann mit SFA gefunden werden. Anwendungen: langsame Drift, Driving Force oder Umschaltvorg\u00e4nge in nichtstation\u00e4ren Prozessen.<br \/>\nLV: <a href=\"https:\/\/blogs.gm.fh-koeln.de\/ciop\/research\/soma\/\">Case Studies SOMA<\/a>, <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/research\/DA-BA-MA\/BA-MA-Diplom.html\">BA-\/MA-Abschlussarbeiten<\/a><\/td>\n<\/tr>\n<tr>\n<td valign=\"top\"><a name=\"TextMining\"><\/a>Support Vector Machine (SVM)<\/td>\n<td>SVM ist ein Lernverfahren des <a href=\"#DataMining\">Data Mining<\/a>. Es wird haupts\u00e4chlich f\u00fcr robuste Klassifikation angewendet. Die Klassifikation ist robust, weil die Trennfl\u00e4che so positioniert wird, dass sie einen m\u00f6glichst gro\u00dfen Abstand zu den Trainingspunkten hat. Dadurch ist es manchmal m\u00f6glich, auch in hochdimensionalen Datenr\u00e4umen mit vergleichsweise wenigen Trainingsrecords einen guten Klassifikator zu bauen. Dies ist besonders vorteilhaft f\u00fcr <a href=\"#TextMining\">Text Mining<\/a>, denn dort ist die Anzahl der Dimensionen (=Gr\u00f6\u00dfe des Vokabulars) oft sehr hoch.<br \/>\nLV: <a href=\"https:\/\/blogs.gm.fh-koeln.de\/ciop\/research\/soma\/\">Case Studies SOMA<\/a>, <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/research\/DA-BA-MA\/BA-MA-Diplom.html\">BA-\/MA-Abschlussarbeiten<\/a><\/td>\n<\/tr>\n<tr>\n<td valign=\"top\"><a name=\"Warping\"><\/a>Text Mining<\/td>\n<td>Text Mining bezeichnet die automatisierte Erschliessung von Informationen aus frei formatierten Texten. Eine Standardaufgabe des Text Mining ist die Klassifikation (Anwendungsgebiete: Information Management, Klassifikation von E-Mails)<br \/>\nLV: <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/WPF-DM-Cup\/info_zum_kurs_DMC.html\">WPF DMC<\/a><\/td>\n<\/tr>\n<tr>\n<td valign=\"top\"><a name=\"ReinforcementLearning\"><\/a>Warping<\/td>\n<td>geometrische Transformation eines Bildes: Jedes Pixel bekommt einen Grauwert aus einer Quellregion zugewiesen, die eine (meist stetige) Funktion des Pixelortes ist. (Man stelle sich vor, das Bild sei auf einer beliebig dehnbaren Gummihaut gemalt).<br \/>\nLV: <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/WPF-BV\/index.html\">WPF BV<\/a><\/td>\n<\/tr>\n<tr>\n<td valign=\"top\">Reinforcement Learning (RL)<\/td>\n<td>RL ist ein Ansatz des Maschinellen Lernens zur L\u00f6sung von Optimalsteuerungsproblemen. Das Ziel besteht darin, eine Aktionsauswahlregel (Policy) zu finden, die einen Agenten optimal innerhalb einer vorgegebenen Umgebung steuert. Der Agent erh\u00e4lt dabei oft nur nach einer gewissen Anzahl von Schritten ein Feedback (z.B. eine Belohnung). Ber\u00fchmtes Anwendungsbeispiel ist <a href=\"https:\/\/en.wikipedia.org\/wiki\/TD-Gammon\">TD-Gammon<\/a>, ein von G. Tesauro entwickelter Agent, der durch RL gelernt hat, das Spiel Backgammon auf Weltklasseniveau zu spielen<br \/>\nLV: <a href=\"https:\/\/blogs.gm.fh-koeln.de\/ciop\/research\/soma\/\">Case Studies SOMA<\/a>, <a href=\"http:\/\/www.gm.fh-koeln.de\/%7Ekonen\/research\/DA-BA-MA\/BA-MA-Diplom.html\">BA-\/MA-Abschlussarbeiten<\/a><\/td>\n<\/tr>\n<tr>\n<td><\/td>\n<td><\/td>\n<\/tr>\n<tr>\n<td>(&#8230; wird fortgesetzt &#8230;)<\/td>\n<td><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>&nbsp;<\/p>\n<p>LV: Lehrveranstaltung, in der dieser Begriff vertieft wird<\/p>\n","protected":false},"excerpt":{"rendered":"<p>K\u00fcnstliche Intelligenz (KI) &amp; Data Mining Reinforcement Learning (RL) Neuronale Lernverfahren, Slow Feature Analysis (SFA) Evolutionsstrategien, Neuroevolution Prognose und Zeitreihenanalyse Random Forest Support Vector Machines (SVM) Computational Intelligence Bild- und Signalverarbeitung Muster- und Gesichtserkennung, Computational Geometry (3D-Modellierung, ASM\/AAM, Stereo, Image Mosaicing), Gestenerkennung 3D Natural User Interfaces (NUIs): Kinect, Wii Medizinische Bildverarbeitung. Optimierung, Simulation, Spieltheorie Optimierung:&#8230;  <a href=\"https:\/\/blogs.gm.fh-koeln.de\/konen\/forschung\/interessensgebiete\/\" class=\"more-link\" title=\"Read Interessensgebiete\"><?php _e(\"Read more &raquo;\",\"wpbootstrap\"); ?><\/a><\/p>\n","protected":false},"author":38,"featured_media":0,"parent":251,"menu_order":1,"comment_status":"closed","ping_status":"closed","template":"","meta":{"_acf_changed":false,"footnotes":"","_links_to":"","_links_to_target":""},"class_list":["post-176","page","type-page","status-publish","hentry"],"acf":[],"_links":{"self":[{"href":"https:\/\/blogs.gm.fh-koeln.de\/konen\/wp-json\/wp\/v2\/pages\/176","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blogs.gm.fh-koeln.de\/konen\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/blogs.gm.fh-koeln.de\/konen\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/blogs.gm.fh-koeln.de\/konen\/wp-json\/wp\/v2\/users\/38"}],"replies":[{"embeddable":true,"href":"https:\/\/blogs.gm.fh-koeln.de\/konen\/wp-json\/wp\/v2\/comments?post=176"}],"version-history":[{"count":26,"href":"https:\/\/blogs.gm.fh-koeln.de\/konen\/wp-json\/wp\/v2\/pages\/176\/revisions"}],"predecessor-version":[{"id":2534,"href":"https:\/\/blogs.gm.fh-koeln.de\/konen\/wp-json\/wp\/v2\/pages\/176\/revisions\/2534"}],"up":[{"embeddable":true,"href":"https:\/\/blogs.gm.fh-koeln.de\/konen\/wp-json\/wp\/v2\/pages\/251"}],"wp:attachment":[{"href":"https:\/\/blogs.gm.fh-koeln.de\/konen\/wp-json\/wp\/v2\/media?parent=176"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}