Computer Vision WiSe 25/26

Vorlesungs- und Übungszeiten:

  • Vorlesung: tba
  • Übung: tba

Modulziele und Kompetenzen:

Nach erfolgreichem Abschluss dieses Moduls sind die Studierenden in der Lage: 

  • Grundlegende Konzepte und Algorithmen der Computer Vision zu verstehen und anzuwenden.
  • Bildverarbeitungstechniken zur Extraktion relevanter Informationen aus Bildern zu nutzen.
  • Maschinelle Lernverfahren und neuronale Netzwerke für die Bildanalyse einzusetzen.
  • Anwendungen der Computer Vision in verschiedenen Domänen (z. B. Medizin, Automobil, Robotik) zu bewerten.
  • Eigene Computer-Vision-Projekte mit gängigen Bibliotheken (OpenCV, TensorFlow/PyTorch) zu implementieren.

Inhalte des Moduls: 

  1. Einführung und Geschichte der Computer Vision & mathematische Grundlagen  
  2. Bildgebung und -filterung 
  3. Featureextraktion und -matching 
  4. Multiple View Geometry: Structure for motion, Stereo Vision, SLAM, 
  5. Deep Learning in CV & Pattern Recognition  
  6. Anwendungen in der Praxis (Autonomes Fahren, Gesichtserkennung, 
    Bildsegmentierung) 

Empfohlene Voraussetzungen:

  • Grundkenntnisse in Programmierung mit Python
  • Grundlagen der Mathematik: Lineare Algebra, Statistik, Analysis
  • Grundlangen im Maschinellen Lernen  

Kursumfang: 6 SWS / 8 ECTS

Praktikum 2026

Repetitorium zur Stochastik WS 25/26

Dieser Kurs dient der Vorbereitung auf die Wiederholungsklausur im Modul "Deskriptive Statistik und Stochastik".

VM2 - Bayesian Inference WS25/26

Beschreibung

Erlernen des Bayes’schen Wahrscheinlichkeitsbegriffs und daraus abgeleitete Methoden zur statistischen Inferenz und Quantifizierung von Unsicherheiten. Das Modul konzentriert sich sowohl auf die theoretischen Grundlagen als auch auf deren praktische Anwendung und Implementierung mit python.

Inhalt:

  1. Grundlagen & Bayes'sche Statistik 
  2. Informationstheorie
  3. Inferenz- und Filtermethoden
  4. Sequenzielle Daten & State Space Modelle

Kursumfang: 6 SWS / 8 ECTS

VM3 - Überlebenszeitanalyse

Einführung in die Überlebenszeitanalyse. 

Termine & Räume: 

Dienstags 14:00 - 15:30: Vorlesung, Raum: TBD
Dienstags 15:40 - 17:10: Betreutes Rechnen, Raum: TBD
Donnerstags 9:50 - 11:20: Vorlesung, Raum: TBD
Donnerstags 9:50 - 11:20: Übung, Raum: TBD

Inhalte:  - Problemstellung: Zensierte Daten

                 - Klassische Kenngrößen der Überlebenszeitanalyse

                 - Nichtparametrische Modellierungsansätze

                 - Parametrische Modellierungsansätze

                 - Testmethoden

                 - Vorhersagemodelle

                 - Konkurrierende Risiken

                 - Studiendesign

Umfang: 6 SWS / 6 ETCS

Einschreibeschlüssel: Erhältlich in erster Veranstaltung oder per Mail an        

                                            nicholas.schreck@tha.de