Bitte wählen Sie den gewünschten Projektzeitraum:
- Juli 2026
- Januar 2026
- Juli 2025
- Januar 2025
- Juli 2024
- Januar 2024
- Juli 2023
- Januar 2023
- Juli 2022
- Januar 2022
- Juli 2021
- Januar 2021
- Juli 2020
- Januar 2020
- Juli 2019
- Januar 2019
- Juli 2018
- Januar 2018
- Juli 2017
- Januar 2017
- Juli 2016
- Januar 2016
- Juli 2015
- Januar 2015
- Juli 2014
- Januar 2014
- Juli 2013
- Januar 2013
- Juli 2012
- Januar 2012
- Juli 2011
- Januar 2011
- Juli 2010
- Januar 2010
- Juli 2009
- Januar 2009
- Juli 2008
- Januar 2008
- Juli 2007
- Januar 2007
- Juli 2006
- Januar 2006
- Juli 2005
- Januar 2005
- Juli 2004
- Januar 2004
- Juli 2003
- Januar 2003
- Juli 2002
- Januar 2002
- Juli 2001
- Januar 2001
Förderbeginn 01.01.2021
AI und DH: Strategien maschinellen Lernens in den (digitalen) Geisteswissenschaften
Prof. Dr. Andreas Maier
Friedrich-Alexander-Universität Erlangen-Nürnberg
Lehrstuhl für Informatik 5 (Mustererkennung)
Prof. Dr. Peter Bell
Friedrich-Alexander-Universität Erlangen-Nürnberg
Philosophische Fakultät - Kunstgeschichte
Prof. Dr. Fabian Offert
University of California, Santa Barbara
Humanities and Fine Arts
Maschinelles Lernen ist erst seit Kurzem in den Fokus der (digitalen) Geisteswissenschaften
gerückt, hat aber schon deutliches Potenzial bei der Erschließung großer kulturwissenschaftlicher
Korpora, bei der Erhaltung kulturellen Erbes und der Analyse historischer Objekte gezeigt.
Sowohl in Europa wie in Nordamerika haben Gedächtnisinstitutionen und akademische
Forschung unabhängig voneinander begonnen die Möglichkeiten des maschinellen Lernens
auszuloten, was oft zu idiosynkratischen Lösungen allgemeiner Probleme führt. Im "AI and DH"-
Projekt werden kalifornische und bayerische Institutionen zusammenarbeiten und gemeinsame
Probleme gemeinsam angehen, insbesondere im Feld der Bilderschließung. Die Bildsuche und -
erschließung sind Kernprobleme in der Digitalen Kunstgeschichte, sowie ihren
Nachbardisziplinen und Gedächtnisinstitutionen wie digitalen Bildarchiven und Museen. Das
Projekt wird gemeinsame Standards für Bilderschließungsprobleme interdisziplinär definieren,
und damit etablierte Ansätze der Informatik mit den eigenständigen Anforderungen von Daten
des kulturellen Erbes verknüpfen.