Praktikum Innovative Mobile Applications: Applied Machine Learning

Veranstalter

Prof. Dr. Claudia Linnhoff-Popien

Hörerkreis

Bachelor Informatik
Bachelor Medieninformatik
Nebenfach Informatik
Master Informatik
Master Medieninformatik

Umfang

6 ECTS, 5 Vorlesungstermine, Recherchearbeit, 6 Tage Blockpraktikum, 1/2 Tag Abschlusspräsentation

Termin(e)

Einführungsveranstaltung
  • Dienstag 23.04 von 14.00 bis 16.00 Uhr (Raum E 210, Hauptgebäude)
Projekt Kickoff
  • Dienstag 07.05 von 14.00 bis 16.00 Uhr (Raum E 210, Hauptgebäude)
Theorie- und Praxis-Präsenztermine 
  • 21.05 von 14.00 bis 16.00 Uhr (Raum E 210, Hauptgebäude)
  • 04.06 von 14.00 bis 16.00 Uhr (Raum E 210, Hauptgebäude)
  • 18.06 von 14.00 bis 16.00 Uhr (Raum E 210, Hauptgebäude)
Blockpraktikum
  • 26.07.2019 bis 02.08.2019 ab 10.00 Uhr (Raum U 139, Oettingenstr. 67)

Betreuer

Robert Müller, Thomas Gabor.

Prüfung

Abschlusspräsentation der Praktikumsergebnisse.

Aktuelles

18.06.19: Zur Erinnerung: Die heutige Veranstaltung findet im Forschungslabor des Lehrstuhls (G010 Oettingenstr. 13.00 bis 16.00 Uhr) statt. Die Veranstaltung ist freiwillig und dient zur individuellen Besprechung der einzelnen Projekte.

06. 06. 19: Slides und Übungsblatt der vierten Veranstaltung sind online

23. 05. 19: Slides und Übungsblatt der dritten Veranstaltung sind online

07. 05. 19: Slides und Übungsblatt der zweiten Veranstaltung sind online

24. 04. 19: Slides der ersten Veranstaltung sind online

16. 04. 19: Zu- und Absagen wurden verschickt

Die Deadline für die Anmeldung ist der 15. April

10. 04. 19: Räume und Termine stehen fest

30. 01. 19: Diese Seite geht online.

 

Inhalt des Praktikums

Die Fehlererkennung und -lokalisierung in großen Industrieanlagen gehört zu den wichtigsten Einsatzgebieten von künstlicher Intelligenz.

In diesem Praktikum sollen auf Basis von Audio-Sensordaten Leckstellen in Wasserversorgungsnetzen erkannt, verortet und visualisiert werden.

Das Praktikum findet in Zusammenarbeit mit den Stadtwerken München statt.

Ablauf

Auf Basis von Audio-Sensordaten (.wav Dateien) sollen die Teilnehmer in Gruppen Lösungen Entwickeln um in den Audiodaten Anomalien (Leckgeräusche) festzustellen.

Dabei kann entweder direkt auf den Rohsignalen oder den Spektrogrammen der Audiodateien gearbeitet werden.

Dazu können aktuelle Methoden des Deep Learnings sowie klassische Ansätze wie zum Beispiel die Feature Extraktion in Kombination mit Decision Trees verwendet werden.

 

 

Anmeldung

Interessenten bewerben sich bis spätestens Montag den 15. April unter imapps@mobile.ifi.lmu.de oder in UniWorX mit einem kurzen Motivationsschreiben (ca. fünf Sätze). Bitte auch Matrikelnummer und Uniworx-Mailadresse angeben.

Voraussetzungen: Solide Programmierkenntnisse.

Material / Literatur