Pozvánka na dvě přednášky předních expertů z Purdue University

Prof. Alejandra J. Magana se ve své prezentaci bude zabývat výukou a učením pomocí výpočtů, modelování a simulací. Shrne konkrétní potíže, se kterými se studenti bakalářského studia v oblasti technologií, inženýrství a matematiky setkávají. Prof. Magana a její tým k jejich řešení vyzkoušeli soubor pedagogických postupů a učebních strategií, které mohou vést ke zlepšení ve znalostech studentů.
 
Prof. Bedřich Beneš je absolventem magisterského a doktorského studia na FEL ČVUT. Svou dráhu předního experta na počítačovou grafiku rozvíjel na Purdue University. Ve své přednášce představí několik metod pro modelování a simulaci rostlin a také uvede několik pokroků a postupů, které se snaží překlenout propast mezi simulačními daty pro hluboké učení a reálnými metodami umělé inteligence pro zemědělství.
 
Anotaci obou přednášek v angličtině najdete níže. Přednášky podpořil Fulbright Specialist Program.
 

Teaching and Learning With Computation, Modeling, and Simulation

by Prof. Alejandra J. Magana

The presentation provides an overview of the opportunities and challenges of introducing computational, modeling, and simulation practices within the undergraduate STEM (Science, Technology, Engineering, Mathematics) curricula. Through a series of studies and classroom implementations, we have identified specific struggles that students encountered, and to address those struggles, we have tested a set of pedagogies and learning strategies that can result in students’ computational adaptive expertise. Lessons learned from these studies have resulted in a computational cognitive apprenticeship model that can be used as a guideline to support learners in using computation meaningfully for their learning and overcoming challenges when engaged in this complex practice. 

Bridging the Sim2Real Gap for Geometric Models in AI Phenotyping

by Prof. Bedřich Beneš

Vegetation modeling has undergone unprecedented progress in the past 40 years. It has evolved from cone-like simple static shapes to high-detailed physics-enabled models with photonic-level illumination simulating plant growth with complex intrinsic and extrinsic signaling at interactive framerates. These models are currently being complemented with deep learning methods, which require enormous amounts of labeled data that are often difficult to obtain. This talk will introduce several methods for plant modeling and simulation, and it will also present several advances and practices that attempt to bridge the gap between the simulation data for deep learning and real AI methods for agriculture. In particular, we will show how large datasets can be used to train deep networks that act as humans in estimating the visual quality of real and virtual objects. We will show how carefully designed generative models can be applied to count leaves in natural plants and how this can be applied in agriculture and genomics.