Wintersemester 2025/26

Alle notwendigen Informationen und Links zu Lehrveranstaltungen im Wintersemester 2025/26 sind, gegliedert nach den Lehrveranstaltungen, auf dieser Seite zu finden. Alle Fragen an die Lehrenden stellen Sie bitte in den Lehrveranstaltungen bzw. über die jeweils genutzten Plattformen - nicht in individuellen E-Mails an die Lehrenden.

Bachelor:

Beginn der Veranstaltung: Weitere Informationen siehe Moodle-Kurs.

Inhalt:

Diese Veranstaltung wird in Form eines Konferenzseminars angeboten. Ähnlich einer wissenschaftlichen Konferenz reichen die Teilnehmenden eigene Konferenzbeiträge ein, beteiligen sich an dem Review anderer Beiträge und treffen sich am Semesterende zu einem gemeinsamen Workshop, bei dem die erarbeiteten Ergebnisse präsentiert und diskutiert werden. Thematisch ist diese Konferenz im Bereich des Maschinellen Lernens einzuordnen. Die spezifischen Themen der Seminararbeiten werden von wissenschaftlichen Mitarbeitenden des Fachgebiets ausgeschrieben und bei der Einführungsveranstaltung vorgestellt. Diese findet zu Beginn der Vorlesungszeit statt.

Die Einführungsveranstaltung findet voraussichtlich in Präsenz statt. Aktuelle Informationen zum Ablauf der Veranstaltung finden Sie im Moodle-Kurs.

Haben Sie Interesse, dann schauen Sie doch einfach bei der Einführungsveranstaltung (siehe Moodle) vorbei.

Links:

Kontaktperson:

Beginn der Vorlesung:

20.10.2025 - 16:15

Beginn der Übung:

Gruppe 1: 27.10.2025 08:00 Uhr
Gruppe 2: 27.10.2025 09:00 Uhr
Gruppe 3: 28.10.2025 08:00 Uhr
Gruppe 4: 28.10.2025 09:00 Uhr
Gruppe 5: 29.10.2025 08:00 Uhr
Gruppe 6: 29.10.2025 09:00 Uhr

 

Der Stoff der Vorlesung wird nach dem Lehrkonzept "Flipped Classroom" in Form von Videos vermittelt. Begleitend zu den Videos gibt es wöchentliche Live-Sessions, zu denen Prof. Sick weiterführende Fragen mit Ihnen diskutiert, die das Verständnis vertiefen. Zusätzlich gibt es eine kurze Zusammenfassung des Stoffes der letzten Woche und einen Ausblick zum Stoff der kommenden Woche.

Die Übungsblätter werden jeden Montag bereitgestellt. Die Lösungen werden eine Woche später nach der letzten Übung hochgeladen. Es werden ausschließlich Präsenzübungen angeboten, in denen die Aufgaben diskutiert werden können.

Alle weitere Information und regelmäßige Ankündigungen zu Veranstaltungen und der Klausurzulassung (Studienleistung) finden Sie im entsprechenden Moodle-Kurs ab dem 22. September.

 

Informationen zum Treffen

 

Kontaktpersonen:

Name: Minh Tuan Pham

E-Mail: stochastik[at]uni-kassel[dot]de

 

 

Die Zeiten für die Übungsgruppen können sich noch ändern, da sie noch nicht ganz feststehen.

Master:

Beginn der Veranstaltung: Weitere Informationen siehe Moodle-Kurs.

Inhalt:

Diese Veranstaltung wird in Form eines Konferenzseminars angeboten. Ähnlich einer wissenschaftlichen Konferenz reichen die Teilnehmenden eigene Konferenzbeiträge ein, beteiligen sich an dem Review anderer Beiträge und treffen sich am Semesterende zu einem gemeinsamen Workshop, bei dem die erarbeiteten Ergebnisse präsentiert und diskutiert werden. Thematisch ist diese Konferenz im Bereich des Maschinellen Lernens einzuordnen. Die spezifischen Themen der Seminararbeiten werden von wissenschaftlichen Mitarbeitenden des Fachgebiets ausgeschrieben und bei der Einführungsveranstaltung vorgestellt. Diese findet zu Beginn der Vorlesungszeit statt.

Die Einführungsveranstaltung findet voraussichtlich in Präsenz statt. Aktuelle Informationen zum Ablauf der Veranstaltung finden Sie im Moodle-Kurs.

Haben Sie Interesse, dann schauen Sie doch einfach bei der Einführungsveranstaltung (siehe Moodle) vorbei.

Links:

Kontaktperson:

Deep Learning Lab: Computer Vision für einen autonomen Schiffsreinigungsroboter

Im Deep Learning Lab (DLL) beschäftigen wir uns mit einer realen, hochaktuellen Forschungsfrage: der Entwicklung einer Computer-Vision-Einheit für einen autonomen Schiffsreinigungsroboter. Dieser bewegt sich während der Fahrt des Schiffes („in-transit“) über den Rumpf, klassifiziert den Bewuchs in unterschiedliche Verschmutzungsgrade (0–4) und erstellt eine Verschmutzungskarte, die den Anteil verschmutzter Flächen abspeichert.

Hintergrund: Verschmutzte Schiffsrümpfe sind für etwa 1 % des weltweiten CO₂-Ausstoßes verantwortlich. Eine kontinuierliche Reinigung könnte 20–30 % Treibstoff und Treibhausgasemissionen einsparen, die Verbreitung invasiver Arten verhindern und den Einsatz giftiger Antifouling-Lacke reduzieren, welche erheblich zur Mikroplastikbelastung beitragen. An der Universität Kassel wird ein solcher Reinigungsroboter entwickelt – im Deep Learning Lab bearbeiten wir den Computer-Vision-Teil dieses Systems.

 

Inhalte und Ablauf

  • Kick-Off Meeting
    Einführung in die Lehrveranstaltung, Motivation und Diskussion mit einem der Entwickler des Reinigungsroboters.
  • Annotationsarbeit am Datensatz (Einzelarbeit, Prüfungszulassung)
    Erstellung und Aufbereitung von Noisy-Labeln zur Verschmutzungsklassifikation.
  • Projektarbeit in Gruppen
    Anwendung moderner Deep-Learning-Techniken im Bereich Computer Vision auf den zuvor annotierten Datensätzen. Das Themengebiet kann je nach Interesse gewählt werden z.B.:
    • Convolutional Neural Networks (CNNs)
    • Vision Transformer (ViT)
    • Transfer Learning und Fine-Tuning
    • Few-Shot Learning
    • Data Augmentation und Active Learning
    • Explainable AI (XAI) für Modellinterpretation
    • Noisy-Label learning
  • Dokumentation und Abschlussvortrag
    Schriftliche Ausarbeitung der Ergebnisse sowie Präsentation der Projektarbeiten im Plenum (in Projektgruppen).

Prüfungsleistung und Benotung

Umfang: 6 CP. Die Benotung erfolgt auf Basis von:

  • Schriftliche Dokumentation 50 %
  • Abgabe des entwickelten Projekts 30 %
  • Abschlussvortrag 20 %

Lernziele

  • Verständnis der Herausforderungen von Computer Vision in einer realen Robotik-Anwendung
  • Praktische Erfahrung im Aufbau, Training und Evaluieren von Deep-Learning-Modellen
  • Umgang mit Datensatzannotation, Modellvalidierung und Ergebnisinterpretation
  • Teamarbeit, wissenschaftliche Dokumentation und Präsentation

Voraussetzungen

Studierende aus unterschiedlichen Fachrichtungen sind willkommen.
Hilfreich sind:

  • Grundkenntnisse in Python und Machine Learning
  • Erste Erfahrung mit PyTorch oder ähnlichen Frameworks
  • Basiswissen in lineare Algebra und Statistik
  • Bereitschaft zur Teamarbeit und zum eigenständigen Einarbeiten in neue Tools

Weitere Informationen finden Sie hier.

Informationen zum Treffen

Kontaktpersonen:

Jens Decke

jens.decke[at]uni-kassel[dot]de>

 

Beginn der Vorlesung:

20.10.2025 - 14:15 - 15:45

Beginn der Übung:

05.11.2025 - 10:00 - 11:30

Die Vorlesung behandelt die Grundlagen der Mustererkennung unter probabilistischen Gesichtspunkten. Die folgenden Themen werden besprochen:

  • Basics (e.g., stochastics, model selection, curse of dimensionality, decision and information theory)
  • Distributions (e.g., multinomial, Dirichlet, Gaussian and Student distributions, nonparametric estimation)
  • Linear models for regression
  • Linear models for classification
  • Neural networks
  • Kernel methods

 

Informationen zum Treffen

  • Raum 0303c im Fachgebiet IES (Lab)

 

Kontaktperson: Huseljic, Denis

E-Mail: dhuseljic[at]uni-kassel[dot]de