Gruppe 1 beschäftigte sich mit zwei Themen. Zum einen mit der automatischen Generierung von Musik mit Hilfe von LSTM. Ziel war es, Klaviermusik zu lernen und mit dem trainierten Modell dann neue Klavierstücke zu synthetisieren. Gelernt wurden die ersten 32 Akkorde von 1200 Liedern. Das zweite Thema war die automatisierte Klassifikation von Musikgenres. Hier wurden Musikstücke als Jazz, Klassik, Pop, Rock, und ähnliches klassifiziert auf Basis des Trainings von CNNs mit Spektrogrammen.
Gruppe 2 fokussierte sich mit der Bildergenerierung mit deep convolutional Generatic Adversial Networks. Hierbei wurden farbige Bilder von Blumen, Vögel und Anime Gesichtern generiert, welche es in der Realität nicht gibt. Die Probleme, denen sich die Gruppe stellen musste, waren vanishing gradients und mode collapses (wurde gelöst mit batch normalization). Hierbei wurden über mehrere Iterationen aktuelle Forschungspublikationen für die Verbesserung der Modelle verwendet.
Gruppe 3 beschäftigte sich mit der Sentiment Analyse von Twitter Tweats. Hierfür wurden unterschiedliche Verfahren miteinander verglichen (logistische Regression, SVM, LSTM, Transformer), welche als Input einen Tweet bekommen und das zugehörige Sentiment liefert. Mit einer Accuracy von 80% für den Twitter Datensatz sentiment140 wurde hier eine hohe Klassikationsgenauigkeit geliefert.
Gruppe 4 versuchte sich an der Vorhersage von bitcoin Entwicklung. Hier wurden unterschiedliche Analysen über die Entwicklung von Indizes gefahren und Prognoseverfahren (Random Forrest, LSTM, ARIMA, Regression) für die zukünftige Entwicklung des Bitcoin Preises entwickelt, miteinander verglichen sowie relevante Features identifiziert . Auch wenn die Ergebnisse noch nicht nahelegen, dass für die Studierenden jetzt Payday angesagt ist, haben die Studierende wertvolle Kenntnisse und Fähigkeiten über den Bau von Vorhersagemodellen entwickelt.
Gruppe 5 versucht den Zusammenhang zwischen Filmkritiken von rotten tomatoes und zugehöriger Bewertung zu lernen. Das Projekt ist ähnlich zu Gruppe 3, verwendet für die Prognose jedoch den rotten tomatoes Datensatz und als Verfahren einfache FeedForward Netze sowie LSTM. Darüber hinaus wurde auch ein LSTM entwickelt, welches entweder oder negative Kritiken generiert.
Gruppe 6 entwickelte Modelle zur Bewertung des korrekten Sitzes von Covid-Schutzmasken in Echtzeit. Hierbei wurde ein Trainingsdatensatz generiert (233 eigene, insgesamt 654) und damit dann ein vortrainiertes single-Shot detector Mobilenet V2 FNP(lite) Modell trainiert. Das trainierte Modell ist in der Lage, live Masken von Personen zu erkennen. Eine Live-Demo rundete die Präsentation unterhaltsam ab.
Die abschließende Gruppe 7 führte einen Methodenvergleich für das Clustering von Kunden durch. Verglichen wurde k-means, agglomerative Clustering sowie DBSCAN zur Identifikation von Kundengruppen.
In Summe waren die Präsentationen sehr schön ausgearbeitet, spannend und lehrreich. Wir danken allen Studierenden für die Präsentationen und sind stolz auf Ergebnisse, welche von den Studierendengruppen erarbeitet wurden.
