Logo des Repositoriums

Auflistung nach Autor:in "Holstein, Katharina"

1 - 2 von 2
  • Konferenzbeitrag
    Automatisiertes Bewerten bei der praktischen Vermittlung von Methoden des Maschinellen Lernens
    (Proceedings of the Sixth Workshop "Automatische Bewertung von Programmieraufgaben" (ABP 2023), 2023) Holstein, Katharina; Kozaeva, Nata; Bade, Korinna
    Im Kontext der Informatiklehre für die Einführung in das Maschinelle Lernen an Hochschulen für angewandte Wissenschaften liegt ein wesentlicher Fokus auf Anwendungsszenarien und Datensätzen mit aktuellem Problembezug. Zeitgleich ist der Stand der Vorkenntnisse vor allem der Masterstudierenden sehr divers. Dazu wird im folgenden Paper dargestellt, wie die praktischen Vermittlung von Methoden des Maschinellen Lernens mit Python durch automatisiertes Testen unterstützt werden kann. Dabei liegt ein besonderer Fokus auf Lösungen für die speziellen Anforderungen der Programmierausbildung für das Maschinelle Lernen.
  • Konferenzbeitrag
    Drohnenbasiertes Verfahren zur Detektion geschädigter Obstbäume in Obstbaumplantagen
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Thielert, Bonito; Menz, Patrick; Warnemünde, Sebastian; Holstein, Katharina; Klein, Lauritz; Kilias, David; Runne, Miriam; Jarausch, Wolfgang; Knauer, Uwe
    Phytoplasmen-induzierte Erkrankungen von Obstbäumen stellen eine große Herausforderung im europäischen Obstanbau dar. Apfeltriebsucht und Birnenverfall zählen zu den wirtschaftlich relevantesten Obstkrankheiten. Im Rahmen des Projekts „Digitaler Obstbau“ wurden verschiedene Technologien zur Diagnose der Krankheiten untersucht und weiterentwickelt. Die drohnenbasierte Bonitur der genannten Krankheiten ermöglicht die flächendeckende räumlich hochauflösende Erfassung von Plantagen und die Symptomerkennung für einzelne Obstbäume. Untersuchungen mit der Hyperspektralkamera Cubert UHD-185 Firefly und dem integrierten Phantom 4 Multispectral Aufnahmesystem zeigen die Durchführbarkeit der drohnenbasierten digitalen Bonitur. Die Daten zeigen mit 76 % eine gute Klassifikationsrate zur Erkennbarkeit der Krankheitssymptome.