Masterstudium Visual Computing - Fakultät für Informatik, TU Wien
Masterstudium Visual Computing - Fakultät für Informatik, TU Wien Masterstudium Visual Computing - Fakultät für Informatik, TU Wien
Kognitive und praktische Fertigkeiten: • Ability to apply the above concepts in theoretical and practical work, and in specialized courses Soziale Kompetenzen, Innovationskompetenz und Kreativität: • Ability to identify and apply mathematical concepts for practical problems Inhalt: Geometrie: • Elementare analytische Geometrie • Projektive Geometrie (Homogene Koordinaten, projektive Transformationen, Quadriken) • Dierentialgeometrie (Kurventheorie, Geometrie auf Flächen, Krümmungstheorie der Flächen, numerische Aspekte) Numerik • Grundlegende Fehlerbegrie: Datenfehler, Diskretisierungsfehler, Rundungsfehler • Kondition mathematischer Probleme • Numerische Lösung linearer Gleichungssysteme • numerische Dierentiation und Integration • polynomiale Interpolation und Approximation • Optimierungsmethoden Diskrete Mathematik • Graphentheorie (spezielle Graphenklassen, Netzwerke, Graph-Algorithmen, Färbungen und Matchings, Ramsey-Theorie) • Elemente der Topologie (Umgebungsbegri, Zusammenhang, orientierbare Flächen, simpliziale Komplexe, topologische und geometrische Graphentheorie) Optimierung • lineare Optimierung, Simplex-Algorithmus • konvexe Optimierung Signaltheorie • Sampling Theorem 38
• Fourier-Transformation Erwartete Vorkenntisse: Fachliche und methodische Kenntnisse: Für dieses Modul werden die inhaltlichen Voraussetzungen für das Masterstudium Visual Computing erwartet. Kognitive und praktische Fertigkeiten: Es werden die koginitiven und praktischen Fertigkeiten eines einschlägigen Bachelorabsolventen erwartet. Soziale Kompetenzen, Innovationskompetenz und Kreativität: Es werden die sozialen Kompetenzen, Innovationskompetenz und Kreativität eines einschlägigen Bachelorabsolventen erwartet. Verpichtende Voraussetzungen: Keine. Angewandte Lehr- und Lernformen und geeignete Leistungsbeurteilung: • Frontalvortrag + mündliche Prüfung (VO) • Selbständiges Lösen von Programmierbeispielen + Abgaben (UE) • Selbständige Suche von Literatur und Ausarbeitung von gestellten Themen in schriftlicher und mündlicher Form Lehrveranstaltungen des Moduls: Es sind die folgenden Lehrveranstaltungen zu absolvieren: 3.0/2.0 VU Geometrie für Informatik 3.0/2.0 VU Computernumerik 3.0/2.0 VU Diskrete Mathematik für Informatik 3.0/2.0 VU Mathematische Methoden des Visual Computing Media Understanding Regelarbeitsaufwand: mind. 6.0 Ects Bildungsziele: Fachliche und methodische Kenntnisse: • The students understand the communalities and dierences of media analysis areas such as Audio Retrieval, Biosignal Processing, Content-Based Image Retrieval, Environmental Sound Classication, Face Recognition, Genome Analysis, Music Genre Classication, Speech Recognition, Technical Stock Analysis, Text Retrieval, Video Analysis and Video Surveillance. • The students understand the process of feature extraction, classication and evaluation in media understanding. 39
- Seite 1 und 2: Curriculum für das Masterstudium V
- Seite 3 und 4: 1. Grundlage und Geltungsbereich Da
- Seite 5 und 6: • Augmented/Mixed/Virtual Reality
- Seite 7 und 8: Lernunterlagen können in englische
- Seite 9 und 10: die Umsetzung von theoretischem Wis
- Seite 11 und 12: Media Understanding (mind. 6.0 Ects
- Seite 13 und 14: Die Note eines Prüfungsfaches ergi
- Seite 15 und 16: Die Lehrveranstaltungsleiterinnen u
- Seite 17 und 18: Erwartete Vorkenntisse: Fachliche u
- Seite 19 und 20: • 3D Film/Video/TV • Videogest
- Seite 21 und 22: Soziale Kompetenzen, Innovationskom
- Seite 23 und 24: • Die Studierenden lernen ihre ei
- Seite 25 und 26: • Steigerung des individuellen Kr
- Seite 27 und 28: 1.5/1.0 SE Kommunikationstechnik 3.
- Seite 29 und 30: Darstellung geometrischer Figuren,
- Seite 31 und 32: • Interaction and cooperation wit
- Seite 33 und 34: • Experience and reect social and
- Seite 35 und 36: Erwartete Vorkenntisse: Fachliche u
- Seite 37: • Tracking und Motion Capture •
- Seite 41 und 42: Inhalt: • Low-level feature extra
- Seite 43 und 44: • Selbständige Suche von Literat
- Seite 45 und 46: • Introduction to Pattern Recogni
- Seite 47 und 48: • Frontalvortrag + mündliche Pr
- Seite 49 und 50: • Frontalvortrag + mündliche Pr
- Seite 51 und 52: D. Innovation Supplementary Curric
• Fourier-Transformation<br />
Erwartete Vorkenntisse:<br />
Fachliche und methodische Kenntnisse: Für dieses Modul werden die inhaltlichen Voraussetzungen<br />
<strong>für</strong> das <strong>Masterstudium</strong> <strong>Visual</strong> <strong>Computing</strong> erwartet.<br />
Kognitive und praktische Fertigkeiten: Es werden die koginitiven und praktischen Fertigkeiten<br />
eines einschlägigen Bachelorabsolventen erwartet.<br />
Soziale Kompetenzen, Innovationskompetenz und Kreativität: Es werden die sozialen<br />
Kompetenzen, Innovationskompetenz und Kreativität eines einschlägigen Bachelorabsolventen<br />
erwartet.<br />
Verpichtende Voraussetzungen: Keine.<br />
Angewandte Lehr- und Lernformen und geeignete Leistungsbeurteilung:<br />
• Frontalvortrag + mündliche Prüfung (VO)<br />
• Selbständiges Lösen von Programmierbeispielen + Abgaben (UE)<br />
• Selbständige Suche von Literatur und Ausarbeitung von gestellten Themen in<br />
schriftlicher und mündlicher Form<br />
Lehrveranstaltungen des Moduls: Es sind die folgenden Lehrveranstaltungen zu absolvieren:<br />
3.0/2.0 VU Geometrie <strong>für</strong> <strong>Informatik</strong><br />
3.0/2.0 VU Computernumerik<br />
3.0/2.0 VU Diskrete Mathematik <strong>für</strong> <strong>Informatik</strong><br />
3.0/2.0 VU Mathematische Methoden des <strong>Visual</strong> <strong>Computing</strong><br />
Media Understanding<br />
Regelarbeitsaufwand: mind. 6.0 Ects<br />
Bildungsziele:<br />
Fachliche und methodische Kenntnisse:<br />
• The students understand the communalities and dierences of media analysis areas<br />
such as Audio Retrieval, Biosignal Processing, Content-Based Image Retrieval,<br />
Environmental Sound Classication, Face Recognition, Genome Analysis, Music<br />
Genre Classication, Speech Recognition, Technical Stock Analysis, Text Retrieval,<br />
Video Analysis and Video Surveillance.<br />
• The students understand the process of feature extraction, classication and evaluation<br />
in media understanding.<br />
39