Gondang: Jurnal Seni dan Budaya
Not a member yet
2544 research outputs found
Sort by
Abschlussbericht zum Projekt Intelligent-geregelte additive Prozesskette mittels simulativ und experimentell ermittelten Bauteil-, Werkstoff- und Prozessdaten (ReAddi) und dem Teilvorhaben: Einbindung von optischer Diodentechnik zur kombinierten Produktionsanalyse mit akustischen Sensoren im LBM-Prozess und Entwicklung von Kommunikationsschnittstellen zur Digitalisierung von LBM Prozessen
No full textDatei-Upload durch TI
Schlussbericht
No full textDie Routineanwendung von Magnetresonanz (MR)-Aufnahmen zur Diagnose von Krankheitsbildern wie Zysten oder Tumore ist zeitaufwändig und kostenintensiv. Dieses Verbundprojekt zielte darauf ab, die Entwicklung und den Einsatz datengetriebener Methoden für die MR-Bildrekonstruktion und Klassifizierung von (Leber-)Läsionen zu erforschen. Dabei wurden modell- und datengetriebene Verfahren systematisch untersucht und kombiniert, um eine hohe Beschleunigung ohne Beeinträchtigung der diagnostischen Aussagekraft zu ermöglichen. Die Entwicklung geeigneter Netzwerke sowie die sorgfältige Evaluierung ihrer Leistung standen dabei im Fokus. Entwickelte Ansätze ermöglichen eine effizientere MR-Diagnostik, die die Nutzungseffizienz der Hardware steigert und die Patientenversorgung verbessert. Die Rolle des Teilprojektes D war die Entwicklung und Konvergenzanalyse von effizienten Lernalgorithmen für große neuronale Netze (NN) basierend auf diversen Vorkonditionierungen und mehrstufigen Strategien und die Bereitstellung von diesen Algorithmen für Ihre Anwendung auf Daten aus dem Krankenhausbetrieb. Es wurden u.a. mehrstufige NN, residuale NN und pulsgekoppelte NN untersucht und unterschiedliche deterministische und stochastische vorkonditionierte Gradientenverfahren entwickelt und analysiert. Zudem wurde eine ständige Kommunikation mit den assoziierten Anwendungspartnern
gehalten sowie Daten und Erfahrung ausgetauscht. Mehrere Publikationen wurden veröffentlicht und weitere sind in Bearbeitung. Darüber hinaus wurde intensiv Öffentlichkeitsarbeit sowie Dissemination der Ergebnisse betrieben.
Zu Beginn des Projektes wurde die mehrstufige (multilevel) Strategie ausführlich untersucht und eine Grob-Fein-Interpolationsstrategie für mehrstufige NN entwickelt. Gleichzeitig wurden die Probleme des maschinellen Lernens als optimale Steuerungsprobleme im Rahmen von residualen NN untersucht, sowie auch Aspekte des maschinellen Lernens im Rahmen der differentialen Spieltheorie und stochastischen Prozesse analysiert. Diese Untersuchungen haben bis heute zu weitreichenden Entwicklungen geführt. Insbesondere wurde die Grob-Fein-Interpolationsstrategie weiterentwickelt, um eine effektive Vorkonditionierung von Gradientenverfahren zu etablieren.
Der optimale Steuerungsansatz hat es möglich gemacht, effiziente Lernalgorithmen zu entwickeln, die auf dem Pontryaginschen Maximumsprinzip beruhen und keine Gradienteverfahren benötigen. Und es wurden Resultate der Spieltheorie untersucht, um robuste Lernalgorithmen für multitasking NN zu definieren (für eine bessere Einbindung von Metadaten). An dieser ersten Phase der Forschungsaktivitäten waren 3 Promotionsstudierende und 1 Masterstudent beteiligt.
Zur weiteren Fortführung wurden kleine mehrstufige NN theoretisch analysiert, vor allem wurden Konvergenzresultate erhalten, um die dazugehörenden Lernalgorithmen zu rechtfertigen. Durch diese Analyse wurden auch wichtige Aspekte für die Erweiterung auf große NNs untersucht, wie insbesondere im Fall von multiskalen CNN-Modellen. Während dieses Erweiterungsprozesses wurde klar, dass Techniken der randomisierten numerischen linearen Algebra zu effizienten Implementierungen von Gradientenverfahren für groß-dimensionierte NN führen. In diesem Bereich wurde dann die Approximation der Hessematrix einer gegebenen Lossfunktion in Abhängigkeit von den Hyperparametern des neuronalen Netzes untersucht. Außerdem wurden stochastische Optimierungsverfahren getestet, die den “Glättungsprozess“ im mehrstufigen NN verbessern, um ein schnelles SegNet-CNN Modell zu implementieren.
Weiterhin wurde für residuale NN, für die es möglich ist, ein Lernverfahren als optimales Kontrollproblem zu interpretieren, eine sogenannte sequentielle quadratische hamiltonsche (SQH) Methode entwickelt und ihre Konvergenz bewiesen, die für große Klassen von von NNs gilt. Diese Methode wurde erfolgreich auf Interpolations- und Regressionsprobleme und später auf Klassifikationsprobleme angewandt.
In dieser Phase der Forschung und Entwicklung wurden, auch im Rahmen von mehreren Masterarbeiten, weitere Untersuchungen im Bereich modellbasierter Bildsegmentierung gemacht, um die Entwicklung von Traiingdatensätzen für CNN-Netzwerke für die Segmentierung in medizinischer Bildgebung zu beschleunigen. Weiterhin wurde die Optimierung von pulsgekoppelten neuronalen Netze für die Bildsegmentierung und Anwendung auf medizinischen Bildern erzielt; eine Arbeit wurde neuronalen Netzen mit Modellen von neurophysiologischen Neuronen (e.g. FitzHugh-Nagumo) gewidmet, und in einer anderen Masterarbeit wurden Multilevel Verfahren für die Rekonstruktion von tomographischen Bildern untersucht. Weitere Untersuchungen wurden Verfahren des maschinellen Quantenlernens gewidmet sowie der Quantifizierung von Unsicherheiten von NN Output in enger Zusammenarbeit mit dem UKW Partner.
Die Weiterführung dieser Forschungsarbeit für effiziente Lernalgorithmen für große NN fokussierte die Entwicklung von Random-Vorkonditionierten Gradientenmethoden, die besonders gute Konvergenzeigeschaften für die Lösung von großen, nichtlinearen, Optimierungsproblemen des maschinellen Lernens aufweisen. Diese Verfahren kombinieren Resultate der randomisierten numerischen linearen Algebra und der Konvergenztheorie von Gradientenverfahren für Ausgleichsprobleme. Die Weiterentwicklung dieser neuen Methode wurde in zwei Richtungen geführt: Einerseits als “Glättungsprozess“ in mehrstufigen NN Ansätzen und anderseits als Grundlage für eine batchweise stochastische Implementierung, um Stabilität und Skalierbarkeit in Anwendungen mit Multilevel-Multiskalen CNN-Netzwerken gerecht zu werden. Während dieser Entwicklung fand auch ein reger Austausch von Wissen und Know-How mit den Forschungspartnern statt, um den neuen RPG Algorithmus für die Beschleunigung des Lernprozesses mit Seg-Net und Variational NNs anzuwenden. Es wurden auch Ansätze bezüglich Einbindung von Metadaten untersucht, zuerst als weitere Studie von Verfahren des maschinellen Quantenlernens. So wurde erkannt, dass eine zuverlässige Einbindung von Metadaten durch das Einbeziehen von multitasking NN und Generativen Adversarial Network Techniken erreicht werden kann, die auf spieltheoretischen Grundlagen basieren. Weitere Arbeiten widmeten sich der Robustheit und Fehlerquantifizierung in der Datenanalyse durch NNs. An dieser Phase der Forschungsaktivitäten waren 3 Promotionsstudenten und 2 Masterstudenten beteiligt.
Datei-Upload durch TI
Schlussbericht
No full textDas Projekt PRONET² „Professionalisierung durch Vernetzung – Fortführung und Potenzierung“ zielte auf die Implementierung eines kohärent angelegten Professionalisierungskonzepts, das alle Phasen der Lehrer:innenbildung umfasste. Im Zentrum standen die Weiterentwicklung und Überführung der Lernumgebungsinnovationen in dauerhafte Elemente der Kasseler Lehrer:innenbildung. Ein alle Bereiche der universitären Lehrer:innenbildung umfassender Change-Management-Prozess konnte sicherstellen, dass die im Projekt generierten Erkenntnisse in die Kasseler Lehrer:innenbildung disseminiert wurden.
Zunächst stand die inhaltlich-konzeptionelle Arbeit der 29 Teilprojekte weiter im Vordergrund, bevor sich der Fokus dann sukzessive auf die strukturelle Verankerung und Verstetigung der Arbeitsergebnisse richtete. Die bewährte Projektstruktur aus der ersten Förderphase (FKZ: 01JA1505) wurde mit den drei Handlungsfeldern (HF) und ihren insgesamt neun Maßnahmen in der zweiten Förderphase fortgesetzt. Das Augenmerk lag auf der strukturellen und curricularen Vernetzung mit dem Ziel, die Professionsorientierung durch die horizontale Verknüpfung der verschiedenen Studienelemente und durch die vertikale Verzahnung der drei Phasen der Lehrer:innenbildung voranzutreiben. Verbunden waren damit die reflexive Verknüpfung von konzeptionellem und berufspraktischem Wissen (HF I), die Umsetzung inklusiver Studienelemente (HF II) sowie die phasenübergreifende Verknüpfung fachlicher und bildungswissenschaftlicher Ausbildungsinhalte (HF III). Insgesamt kooperierten in PRONET² 32 Hochschullehrende aus 19 Fachdisziplinen miteinander sowie mit nordhessischen Schulen, Studienseminaren, Schulämtern und der Hessischen Lehrkräfteakademie.
Die Implementierung der Projektergebnisse wurde dadurch erreicht, dass die Teilprojekte ihre Innovationen so weiterentwickelten, dass eine strukturelle Verankerung in der Kasseler Lehrer:innenbildung ermöglicht wurde. Dieser Prozess wurde durch die Etablierung der fünf Innovationseinheiten (IE) „Curriculare Kohärenz“ (IE I), „Metaevaluation“ (IE II), „Qualitätssicherung & Organisationsentwicklung“ (IE III), „Fort- & Weiterbildung“ (IE IV) und „Graduiertenförderung“ (IE V) flankiert. Die Innovationseinheiten stellten im gesamten Projektverlauf die Verstetigung und breitenwirksame Dissemination der Projektergebnisse über den Rahmen der Qualitätsoffensive Lehrer:innenbildung hinaus sicher, indem sie die auf dauerhafte Wirkung angelegten Veränderungsprozesse in curricularer, struktureller und qualitätssichernder Hinsicht initiierten, sodass diese in den Modulprüfungsordnungen zahlreicher Fächer und in der Praktikumsordnung verankert werden konnten.
Innerhalb der Projektstruktur nahm die Metaevaluation (IE II) eine elementare Funktion ein. Die Aufgabe bestand darin, auf der Grundlage eines unterschiedliche Datenquellen verschränkenden Forschungs- und Evaluationsansatzes die Entwicklung von Studierenden zu untersuchen sowie die Vernetzungsaktivitäten in PRONET² zu analysieren. Zu diesem Zweck führte die IE II die in der ersten Förderphase angelegte, dreigliedrige PRONET Meta-Evaluationsstudie (PROMETEUS) in PRONET² fort. Sie umfasste mehrere Teilstudien, die jeweils einzelne Evaluationsaspekte in den Mittelpunkt stellten.
Mit dem Projekt PRONET² wurden an der Universität Kassel weitreichende, kohärent angelegte und evidenzbasierte Veränderungen angestoßen, die sich im Lehramtsstudium aller Schulformen durch curriculare Verankerung widerspiegeln. Durch PRONET² konnte die Sichtbarkeit des Zentrums für Lehrer:innenbildung innerhalb der Universität weiter erhöht werden, nicht zuletzt durch das verstetigte „Forschungsportal der Lehrer:innenbildung“, auf dem auch nach Projektende innovative Projekte und universitäre und schulische Lehr-Lern-Konzepte dargestellt werden (IE III). Die Angebote für alle Promovierenden an lehrer- und lehrerinnenbildenden Fachgebieten wurden bedarfsorientiert weiterentwickelt (IE V). Die Fort- und Weiterbildung für Lehrkräfte wurde weiter ausgebaut systematisch gebündelt, akkreditiert und über unterschiedliche Kanäle angeboten (IE IV). Zudem wurde durch die struktur- und profilbildende Prozessorganisation die Verzahnung der Lehrkräftebildner:innen und der beteiligten Institutionen weiter konsolidiert und damit die Stärkung der Kohärenz in der Kasseler Lehrer:innenbildung optimiert (IE I).
Datei-Upload durch TIBThe project PRONET² "Professionalization through Networking - Continuation and Potentiation" aimed at the implementation of a coherent professionalization concept that covered all phases of teacher education. Central to the project was the further development of learning environment innovations and establishing those innovations as permanent elements to the teacher education at the University of Kassel. A comprehensive change management process ensured that the findings achieved in the project were disseminated within Kassel's teacher education system.
Initially, the conceptual work of the 29 sub-projects remained in focus, before the emphasis shifted towards the structural establishment of the work results. The proven project structure from the first funding phase (FKZ: 01JA1505) was continued with three fields of action (ger.: Handlungsfelder abbr. to HF) and their nine associated measures in the second funding phase. The focus was on structural and curricular networking with the goal of advancing profession orientation through horizontal linking of various study elements and vertical integration of the three phases of teacher education. This was connected with the reflective linking of conceptual and professional practice knowledge (HF I), the implementation of inclusive study elements (HF II), and the interdisciplinary linkage of subject-specific and educational science content (HF III). Overall, in PRONET², 32 university lecturers from 19 disciplines collaborated with each other and with schools, teacher-training colleges, school authorities and the Hessian Academy for Teacher Training in Northern Hesse.
The implementation of the project results was achieved by the sub-projects adapting their innovations to align with the requirements of Kassel's teacher education in order to enable a structural anchoring. This process was supported by establishing five innovation units (ger.: Innovationseinheiten abbr. to IE) “Curricular Coherence” (IE I), “Meta-Evaluation” (IE II), “Quality Assurance & Organizational Development” (IE III), “Teacher training and further education” (IE IV), and “Graduate Support” (IE V). Throughout the project duration, the innovation units ensured the continuation and broadly effective dissemination of the project results by initiating change processes regarding curricular, structural, and quality assurance aspects, so that they could be incorporated into the module examination regulations of numerous subjects and in the internship regulations.
Within the project structure, the Meta-Evaluation (IE II) had an important function. The task was to examine the development of students and analyze the networking activities in PRONET² based on a research and evaluation approach that intertwined various data sources. Therefore, IE II continued the three-part PRONET Meta-Evaluation Study (PROMETEUS) - initiated in the first funding phase - in PRONET². It included several sub-studies, each focusing on particular evaluation aspects.
Through the PRONET² project, the University of Kassel initiated far-reaching, coherent, and evidence-based changes that could be introduced into the teacher-training curriculum for all types of schools through curricular anchoring. As a result of PRONET², the visibility of the Center for Teacher Education within the university could be further increased, not least through the launched "Research Portal for Teacher Education," on which innovative projects as well as university and school teaching-learning concepts are presented even after the end of the project (IE III). The supporting services for all doctoral students in teacher education disciplines were further developed through a demand-oriented lens (IE V). The professional development for teachers was further expanded, systematically bundled, accredited, and offered through various channels (IE IV). Moreover, the structure and profile-building process organization consolidated the meshing of teacher educators and involved institutions, thereby optimizing coherence at Kassel’s teacher education (IE I)
