DD&U Undervisningsplan 2018

Af

Indledningsvis: Erik tirsdage, Simon torsdage. Første uge fælles.

Intro til faget og til Processing

Repetion af Processing. Opstart af Kadenze-kursus. Input via video og lyd.

– ca. 2 uger, 1 afleveringsopgave (1 elevtime)

Projekt 1: Machinelearning for artists

Uge 35-43: Kadenze kursus – 9 uger, inklusiv første projekt: Byg din egen Machine Learning

  • teori om AI/ML
  • Overvej videoerne:
    • 3.7 (overflødig)
    • 3.8 (øvelser kræver maxMSP)
    • 3.9 – (teknisk/matematisk introduktion til regressions algoritmer – men faktisk meget god!)
    • 3.10 (ligeledes – men de to videoer tilsammen forklarer grundlæggende at der matematisk set bruges optimering)

Opgave

Krav til projektet

  • Grupper på 2, hverken flere eller færre.
  • Produktet skal demonstrere brugen af Machine Learning og skal derfor benytte Wekinator.
  • Produktet skal have en tydelig idé og det skal være klart hvorfor Machine Learning er nyttigt og nødvendigt i applikationen.
  • Produktet skal tage real time inputs fra en i forvejen eksisterende device, der er koblet til computeren enten direkte (fx indbygget webcam, mikrofon, USB-forbundet device) eller via en fjernforbindelse (HTTP, Bluetooth etc.).
  • Produktet skal give output til computerens skærm gennem en Processing-sketch.
  • Der er ikke krav om at det skal kunne vises på en webside eller påvirke verden uden for skærmen.
  • OSC-protokollen skal anvendes til dataoverførsler.

Dokumentation:

  • Blogindlæg med beskrivelse af ideen i applikationen samt af de OSC-pakker, der sendes mellem applikationens forskellige dele (input, model, output).
  • Screencast af den kørende applikation indlejret i blogindlægget, hvis muligt
  • Kommentarer i kode, specifikt på hvorledes intentionerne i produktet udmøntes i de OSC-pakker, der sendes samt på anvendte adresser og forbindelser.
  • Rapport i Word- eller PDF-format afleveres på Lectio. Kildekode vedhæftet som bilag
  • Omfang: 6 elevtimer – Ca. 6 sider + figurer og kildekode

Disposition

  • Hvad er maskinlæring?
  • Hvad kan maskinlæring bruges til?
  • Hvad er klassifikation?
    • Decision stomp
    • Nearest neighbour
  • Hvad er regression?
    • Lineær
    • Polynomial
    • Neurale netværk
  • Projekt
    • Idébeskrivelse
    • Teknisk problemstilling (se google sheet)
    • Hvilken type algoritme har I valgt til jeres projekt, og hvorfor? Der skal gøres tydeligt rede for hvorfor, hvordan og på hvad Wekinator er blevet sat op og trænet, herunder især for valg af model og algoritme.
    • Der skal gøres tydeligt rede for hvordan det er hensigten at output skal opføre sig.
    • Blokdiagram –

Problemområder og idéer: google sheet 

Projekt 2: Den fysiske verden

Uge 45-uge 2/2019: Andet projekt. Knapper og lys, kunst på skolen på basis af realtime input fra den fysiske verden på eller uden for skolen.

  • github-kursus her omkring

Projekt 3: Virtuelle og fysiske rum

Uge 4-11: Tredje projekt. Gåder til Escape Rooms med fokus på samarbejde mellem det fysiske og det virtuelle rum. Design af brugerinteraktion. Sikkerhed.

Eksamensprojekt

Uge 11-slut: ca. 90 timers undervisningstid fordelt på ca. 8 uger PLUS en masse hjemmearbejde. Opstart og brainstorm i uge 9, Aflevering af projektbeskrivelse uge 11, genaflevering og endelig godkendelse uge 12 eller 13