@masterthesis{Ostertag2021, type = {Bachelor Thesis}, author = {Ostertag, Daniel}, title = {Comparing and controlling image colorization methods for realistic reconstructions}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:860-opus4-2988}, school = {Hochschule f{\"u}r Angewandte Wissenschaften Landshut}, pages = {50}, year = {2021}, abstract = {Machine Learning based grayscale image colorization methods have, in recent years, become good enough such that only few user selected color points are necessary for realistic colorizations. Converting images to grayscale and keeping only few color cues, while further compressing the grayscale image, could be a viable way to reduce file sizes for bandwidth constrained scenarios even further. In this thesis I take a closer look at the paper Real-Time User-Guided Image Colorization with Learned Deep Priors, Zhang et al. (2017), and their colorization system. Based on this system, I will then introduce various ways in which to automatically choose color pixels in the original image, store them efficiently and assess their colorization performance, on the grayscale version, based on quality metrics and storage size. I found that the methods introduced can restore the original image color satisfactory with less than a kilobyte and almost perfectly with a few kilobytes of extra color data for 640x480 resolution. Nevertheless, it is still possible to improve the quality and reduce the size further with better point placement.}, subject = {Bildverarbeitung}, language = {en} } @misc{Stemp2020, type = {Master Thesis}, author = {Stemp, Alois}, title = {Erstellung eines Machine Learning Prototyps zur {\"U}berpr{\"u}fung von Projekten auf Zeit- und Budget{\"u}berschreitung}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:860-opus4-2232}, school = {Hochschule f{\"u}r Angewandte Wissenschaften Landshut}, pages = {72}, year = {2020}, abstract = {In dieser Arbeit wird die Erstellung eines Machine Learning Prototyps in Python f{\"u}r das Risikomanagement in Projekten vorgestellt.}, subject = {Projektmanagement}, language = {de} } @masterthesis{Huber2019, type = {Bachelor Thesis}, author = {Huber, Florian}, title = {Sensor Synthese mit Maschinellem Lernen}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:860-opus4-1095}, school = {Hochschule f{\"u}r Angewandte Wissenschaften Landshut}, pages = {40}, year = {2019}, abstract = {Die vorliegende Bachelorarbeit behandelt die Programmierung eines neuronalen Netzes zur Bestimmung der Umgebungstemperatur, anhand von CPU Temperaturen mit kosteng{\"u}nstigen Einplatinencomputern. In dieser Arbeit wird zuerst auf den Ursprung der Trainingsdaten eingegangen, sowie auf schon bestehende Arbeiten. Ferner werden die verwendeten Software- und Hardwarekomponenten vorgestellt. Im Anschluss wird die Entwicklung und Validierung des neuronalen Netzes im Detail erl{\"a}utert. Das entwickelte Netzwerk wird nach der Validierung auf seine Robustheit untersucht. Abschließend findet sich eine Zusammenfassung und das Fazit der Arbeit.}, subject = {Maschinelles Lernen}, language = {de} } @masterthesis{Uhrmann2019, type = {Bachelor Thesis}, author = {Uhrmann, Simon}, title = {Machine Learning zur Wildunfallpr{\"a}dikation}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:860-opus4-1081}, school = {Hochschule f{\"u}r Angewandte Wissenschaften Landshut}, pages = {45}, year = {2019}, abstract = {Diese Bachelorarbeit wird am TCF im Rahmen des Projekts WilDa erstellt. Dessen Ziel ist eine "Dynamische Wildunfallwarnung unter Verwendung von heterogenen Verkehrs-, Unfall- und Umweltdaten sowie von Big Data Ans{\"a}tzen". Im Rahmen der Bachelorarbeit wird getestet, inwieweit eine Vorhersage von Wildunf{\"a}llen mit Machine Learning (ML) m{\"o}glich ist. In diese Vorhersage fließen Wildunfall-, Straßen- und Wetterdaten ein. Diese werden aufbereitet und anschließend werden mit ihnen ML-Verfahren trainiert.}, subject = {Maschinelles Lernen}, language = {de} } @misc{Thral2019, type = {Master Thesis}, author = {Thral, Markus}, title = {Latenzreduktion durch pr{\"a}diktives Vorladen unter Anwendung eines maschinellen Lernverfahrens in Enterprise Portalen}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:860-opus4-981}, school = {Hochschule f{\"u}r Angewandte Wissenschaften Landshut}, pages = {128}, year = {2019}, abstract = {Die Arbeit besch{\"a}ftigt sich mit der Erstellung eines Vorhersagemodells f{\"u}r Benutzerverhalten in Enterprise-Portalen und dem darauf basierenden pr{\"a}diktiven Vorladen der n{\"a}chsten wahrscheinlichen angeforderten Seite. Das entwickelte Vorhersagemodell wird mit einer Markov-Kette erster Ordnung realisiert. Die Betrachtung der bisherigen Forschung hat vielfach gezeigt, dass Markov-Ketten f{\"u}r diesen Anwendungsfall geeignet sind. Aufgrund ungenauer Trainingsdaten wurde bisher aber nur eine geringe Vorhersagegenauigkeit erzielt. Es wird daher ein neuer Ansatz verfolgt, bei dem die Navigationsdaten aus dem Header Referer als absolut zuverl{\"a}ssige Quelle gewonnen werden. Das Modell wird außerdem kontinuierlich trainiert und verbessert und passt sich an die Ver{\"a}nderungen des Portals und des Nutzerverhaltens an. Das Vorladen der vorhergesagten Inhalte wird mit dem Resource Hint Prefetch umgesetzt, der dynamisch f{\"u}r jede vorzuladende Ressource in die entsprechende Seite eingebaut wird. Die Evaluation zeigt, dass die Latenz durch das Vorladen von Inhalten deutlich reduziert werden kann. Des Weiteren wurde eine Vorhersagegenauigkeit von 76\% erreicht, die bisher nur mit Markov-Ketten h{\"o}herer Ordnung und weiteren Verbesserungen erzielt werden konnte. Mit dem Modell wird daher eine verl{\"a}ssliche Vorhersage f{\"u}r das Vorladen erm{\"o}glicht. Es stellt eine solide Grundlage f{\"u}r Verbesserungen und weitere Forschung auf diesem Gebiet dar.}, subject = {Portal }, language = {de} } @masterthesis{Dexl2018, type = {Bachelor Thesis}, author = {Dexl, Jakob Frederik}, title = {Mapping of natural learning processes for the development of neural network architectures - Implementation and comparison of approaches in the classification of radiological data sets}, url = {http://nbn-resolving.de/urn:nbn:de:bvb:860-opus4-521}, school = {Hochschule f{\"u}r Angewandte Wissenschaften Landshut}, pages = {76}, year = {2018}, abstract = {In order to provide more transparency on convolutional neural networks (CNN) for education and research purposes this work has three main objectives: • Create CNN models based on two different architectures, which classify magnetic resonance images of the brain into normal and abnormal • Investigate these models by applying state of the art visualization techniques. For this purpose, a simple accessible Application Interface (API) for Keras sequential models will be developed. • Describe the quality of the models based on the visualizations and compare their overall classification to the human classification procedure.}, subject = {Neuronales Netz}, language = {en} }