Lernen Am Artefakt : Pädagogisch-Didaktische Grundlagen Für das Dialogisch ästhetisch-forschende Lernen

• Record Nr.: UNINA9910879796903321
• Autore: Mörgeli Claudia
• Pubbl/distr/stampa: Bielefeld : , : transcript Verlag, , 2024; ©2024
• ISBN: 9783839473252
• Edizione: [1st ed.]
• Descrizione fisica: 1 online resource (323 pages)
• Collana: Pädagogik Series
• Soggetti: EDUCATION / Organizations & Institutions
• Lingua di pubblicazione: Tedesco
• Formato: Materiale a stampa
• Livello bibliografico: Monografia
• Nota di contenuto: Cover -- Inhalt -- Vorwort -- Dank -- 1. Einleitung -- 1.1 Persönliches Forschungsinteresse -- 1.2 Ein zur Forschungsfrage konzipiertes, experimentell angelegtes Lehr‑Lern‑Arrangement -- 1.3 Fachdidaktische Forschung im »Textilen und Technischen Gestalten (TTG)« -- 1.4 Gliederung der Untersuchung -- 1.5 Begriffsklärungen -- 1.5.1 Produkt, Objekt, Ding oder Artefakt? -- 1.5.2 Artefakte werden mit Material realisiert -- 1.5.3 »Textiles und Technisches Gestalten (TTG)« -- 1.5.4 Textiles Gestalten mit textilen und nichttextilen Verfahren -- 1.5.5 Definition: dialogisch ästhetisch‐forschendes Lernen -- 1.6 Autorin, Forscherin oder Ich? Begründung der Subjektbezeichnung -- 2. Bezugsfelder der Untersuchung -- 2.1 Ästhetische Forschung integriert im Fach »Textiles und Technisches Gestalten (TTG)« -- 2.1.1 Aktueller Diskurs und theoretische Grundlagen Ästhetischer Forschung -- 2.1.2 Ästhetische Forschung im »Textilen und Technischen Gestalten (TTG)« - ein unlösbarer Widerspruch? -- 2.2 Lernen am und mit dem Ding, Lernen mit Material -- 2.2.1 Lernen mit Material bei Maria Montessori -- 2.2.2 Lernen mit dem Materialbuch -- 2.2.3 Lernen durch Erfahrung und Handlung -- 2.2.4 Mitwirkung der Dinge im Bildungsprozess -- 2.2.5 Lieblingsobjekte -- 2.2.6 Dinge berühren und von Dingen berührt werden -- 2.2.7 Dinge appellieren vielgestaltig, Kinder lernen empfindend und handelnd -- 2.2.8 Lernen durch und mit materialen Dingen -- 2.2.9 Die menschliche Auseinandersetzung mit dem Ding ; aus soziologischer Perspektive -- 2.2.10 Lernen am handwerklich hergestellten Objekt -- 2.2.11 Lernen am eigenständig realisierten Artefakt im schulischen Kontext des »Textilen und Technischen Gestaltens (TTG)« -- 2.3 Forschendes &amp -- dialogisches Lernen -- 2.3.1 Aktueller Diskurs und theoretische Grundlagen forschenden Lernens -- 2.3.2 Lernen im Dialog - kooperativ und kollaborativ.; 2.4 Definition Lehr‐Lern‐Arrangement »dialogisch ästhetisch‑forschendes Lernen« aufgrund der Auseinandersetzung mit den Bezugsfeldern -- 2.5 Gestaltungsthema -- 2.5.1 Ein übergeordnetes Leitthema als Ausgangspunkt -- 2.5.2 Aufgabenstellung zum Gestaltungsthema »Body Extension« -- 3. Pädagogisch‐didaktische Konzeption des dialogisch ästhetisch‑forschenden Lernens -- 3.1 Schüler:innenzentrierter Unterricht -- 3.2 Transparenz in der Praxisforschung -- 3.3 Artefakte als Bezugspunkt und Kommunikationsmittel -- 3.4 Gemeinsame Dialoge und Irritationen begleiten den Prozess -- 3.5 Dokumentation und Reflexion mit dem Forschungstagebuch -- 3.6 Textiles Gestalten mit konkretem Material, verschiedenen Werkzeugen und Maschinen -- 3.7 Artefakt‐Realisation in Einzelarbeit -- 4. Ein experimentelles Lehr‐Lern‐Arrangement. Rahmenbedingungen und fachdidaktische Überlegungen für die Einzelfallanalyse -- 4.1 Dialogisch ästhetisch‐forschend und textilgestaltend einen eigenen Ausdruck finden -- 4.2 Fachliche Rahmenbedingungen im Schulkontext -- 4.3 Ausgewählte Kompetenzen und präzisierte Lernziele des Lehr‑Lern‑Arrangements -- 4.3.1 Wahrnehmung und Kommunikation -- 4.3.2 Prozesse und Produkte -- 4.3.3 Kontexte und Orientierung -- 4.3.4 Überfachliche Kompetenzen -- Soziale Kompetenzen -- 4.4 Wahl der Lehrperson und Schulklasse -- 4.5 Thematische, zeitliche, räumliche und organisatorische Projektbedingungen -- 4.6 Fächerverbindendes digitales Forschungstagebuch -- 4.7 Materialangebot -- 4.8 Nähen mit der Nähmaschine oder von Hand -- 4.9 Inszenierter, irritierender Unterrichtseinstieg als Auftakt in die Objektanalyse -- 4.10 Pädagogisch‐didaktische Positionierung der Forscherin und Reflexion der verschiedenen Rollen -- 5. Konkretisierung der Forschungsfragen -- 5.1 Forschungsfragen zur Bestimmung der relevanten Sequenzen.; 6. Forschungsmethodische Überlegungen zur qualitativen Einzelfallstudie -- 6.1 Begründung der Fokussierten Ethnografie in Verbindung mit der videobasierten Untersuchungsmethode -- 6.2 Videografie im Schulfeld -- 7. Untersuchungsdesign des dialogisch ästhetisch‑forschenden Lernens -- 7.1 Erkenntnisse einer kleinen Vorstudie prägen die Datenerhebung des dialogisch ästhetisch‑forschenden Lernens -- 7.2 Datenerhebung - Feldzugang -- 7.3 Datenerhebung - Erhebungssituation -- 7.4 Datenerhebung - Feldnotizen und Feldprotokolle -- 7.5 Datenanalyse Videografie -- 7.5.1 Inhaltlicher Überblick zum durchgeführten Lehr‑Lern‑Arrangement -- Unterrichtseinheiten vom 15.05.2019 bis 03.07.2019 -- 7.5.2 Datenkodierung mit einem Logbuch -- 7.5.3 Videoschnitt und Transkription der ausgewählten Sinneinheiten -- 7.5.4 Sequenzbeschreibungen, axiale Sequenzanalyse und Verfassen von Memos -- 7.5.5 Feinanalyse mit Fallskizzen - selektives Kodieren -- 7.5.6 Analyse Forschungstagebücher der Schüler:innen -- 8. Darstellung der empirischen Untersuchung, Ergebnisse -- 8.1 Kategoriensystem zu den zentralen Forschungsfragen -- 8.2 Gemeinsamer Dialog/Aushandlungsprozess -- 8.2.1 Gemeinsamer Dialog/Aushandlungsprozess bezogen auf das Artefakt -- 8.2.2 Gemeinsamer Dialog/Aushandlungsprozess bezogen auf den Designprozess -- 8.3 Ästhetische Wahrnehmung -- 8.3.1 Ästhetische Wahrnehmung als zweckfreie Erfahrung mit Körperbezug -- 8.3.2 ; Ästhetische Wahrnehmung mit Produktbezug -- 8.3.3 Ästhetische Wahrnehmung mit Prozessbezug -- 8.4 Interaktion mit dem Artefakt (Persönlichkeit, personale Aspekte) -- 8.4.1 Gestik, Mimik, Emotion -- 8.4.2 Resonanz, Transformation -- 8.5 Zusammenfassende Beschreibung des erprobten Lehr‑Lern‑Arrangements -- 8.6 Narrative Fallportraits -- 8.6.1 Fallporträt 1 - Situationsbeschreibung Unterrichtssequenz vom 29.05.2019, Eso &amp -- Mara.; Einbettung in den Unterrichtsverlauf -- Videosequenz Nummer 8 -- 8.6.2 Analyse der Unterrichtssequenz von Fallporträt 1 -- Gemeinsamer Dialog/Aushandlungsprozess bezogen auf das Artefakt -- Gemeinsamer Dialog/Aushandlungsprozess bezogen auf den Designprozess -- Ästhetische Wahrnehmung mit Körperbezug -- Ästhetische Wahrnehmung mit Produktbezug -- Ästhetische Wahrnehmung mit Prozessbezug -- Interaktion mit dem Artefakt - Gestik, Mimik, Emotion -- Interaktion mit dem Artefakt - Transformation -- 8.6.3 Fallporträt 2 - Situationsbeschreibung Unterrichtssequenz vom 12.06.2019, Ina, Jamina &amp -- Leo -- Einbettung in den Unterrichtsverlauf -- Videosequenz Nummer 15 -- 8.6.4 Analyse der Unterrichtssequenz von Fallporträt 2 -- Gemeinsamer Dialog/Aushandlungsprozess bezogen auf das Artefakt -- Gemeinsamer Dialog/Aushandlungsprozess bezogen auf den Designprozess -- Ästhetische Wahrnehmung als zweckfreie Erfahrung und mit Körperbezug -- Ästhetische Wahrnehmung mit Produktbezug -- Ästhetische Wahrnehmung mit Prozessbezug -- Interaktion mit dem Artefakt - Gestik, Mimik, Emotion -- Interaktion mit dem Artefakt - Transformation, Resonanz -- 8.6.5 Fallporträt 3 - Situationsbeschreibung Unterrichtssequenz vom 19.06.2019, Ina &amp -- Ana -- Einbettung in den Unterrichtsverlauf -- Videosequenz Nummer 18 -- 8.6.6 Analyse der Unterrichtssequenz von Fallporträt 3 -- Gemeinsamer Dialog/Aushandlungsprozess bezogen auf das Artefakt -- Gemeinsamer Dialog/Aushandlungsprozess bezogen auf den Designprozess -- Ästhetische Wahrnehmung als zweckfreie Erfahrung und mit Körperbezug -- Ästhetische Wahrnehmung mit Produktbezug -- Ästhetische Wahrnehmung mit Prozessbezug -- Interaktion mit dem Artefakt - Gestik, Mimik, Emotion -- Interaktion mit dem Artefakt - Transformation, Resonanz -- 9. Diskussion der Forschungsergebnisse.; 9.1 Einordnung der Ergebnisse in die Bezugsfelder der Theorie -- 9.1.1 Schüler:innen und Artefakte im Dialog -- Artefakte als Kommunikationsmittel -- Dialogisches und ko‑regulierendes Lernen am individuellen Artefakt -- Subtile Lernprozess‐Begleitung der Lehrperson -- Reflexion im eigenen Forscher:innentagebuch -- 9.1.2 Ästhetisch‐forschend mit dem Artefakt in Beziehung treten -- Musse und Leerraum -- 9.1.3 Eigene Artefakte gestalten, flexibel sein und (sich) transformieren -- 10. Handlungsleitende Hinweise für das dialogisch ästhetisch‑forschende Lernen -- 10.1 Herausfordernde Gestaltungsaufgaben mit leitenden Parametern -- 10.2 Lernprozesse initiieren und begleiten -- 10.3 Zeit für Musse und reflexive Dialoge -- 10.4 Schreiben, illustrieren und dokumentieren im Lernjournal -- 11. Abschliessende Reflexion mit Ausblick -- Allfällige Lücken und Grenzen der Studie -- Gelingensbedingungen -- Ausblick -- Fazit -- 12. Übersicht über die Designprozesse der Schüler:innen -- Fotografien des Lehr‐Lern‐Arrangements -- Literaturverzeichnis -- Abbildungsverzeichnis -- Anhang.
• Sommario/riassunto: Wie sprechen Schüler*innen über ihre eigenen Handlungen und Lernprozesse, wenn die Lehrperson nicht ins Geschehen involviert ist? Und inwiefern führt das ästhetisch-forschende In-Beziehung-Treten mit dem Artefakt zu neuen Erfahrungen, die sich für das konzeptuelle ; Denken der Schüler*innen als leitend erweisen? Mithilfe prozess- und handlungsorientierter Konzepte leistet Claudia Mörgeli dazu Grundlagenforschung im Fach »Textiles und Technisches Gestalten«. Ihre Erkenntnisse nutzt sie für Handlungshinweise an Lehrpersonen, die auch außerhalb der Kunstpädagogik lernförderlich angewendet werden können.

Applied Computer Vision Through Artificial Intelligence

• Record Nr.: UNINA9911034577503321
• Autore: Sandhu Jasminder Kaur
• Pubbl/distr/stampa: Newark : , : John Wiley & Sons, Incorporated, , 2025; ©2026
• ISBN: 1-394-27262-6; 1-394-27261-8
• Edizione: [1st ed.]
• Descrizione fisica: 1 online resource (501 pages)
• Altri autori (Persone): KumarAbhishek; SahuRakesh; AhujaSachin
• Lingua di pubblicazione: Inglese
• Formato: Materiale a stampa
• Livello bibliografico: Monografia
• Nota di contenuto: Cover -- Series Page -- Title Page -- Copyright Page -- Contents -- Preface -- Chapter 1 An Overview of Medical Diagnostics through Artificial Intelligence-Powered Histopathological Imaging and Video Analysis -- 1.1 Introduction -- 1.1.1 A Focus on Digital Image and Video Analysis -- 1.1.2 Overview of Research Article -- 1.1.2.1 Comparison Between Different Techniques/Comparative Analysis Among the Techniques Available -- 1.1.2.2 Overview of Data Preprocessing and Meta-Heuristic Algorithms -- 1.1.3 The Organizational of the Research Article -- 1.2 Background -- 1.2.1 Difficulties with Feature Selection -- 1.3 Preliminaries -- 1.3.1 Selection of Features (FS) -- 1.3.2 Classification -- 1.3.2.1 Support Vector Machine -- 1.3.2.2 Naïve Bayes -- 1.3.2.3 ANN -- 1.3.3 Meta-; Heuristic Algorithms in FS -- 1.3.3.1 Genetic Algorithm -- 1.3.3.2 Cuckoo Search Optimization -- 1.3.3.3 BAT Algorithm -- 1.3.3.4 Grey Wolf Optimizer -- 1.3.3.5 Harris Hawk Optimization -- 1.3.3.6 Transition from Exploration to Exploitation -- 1.4 Experimental Results -- 1.4.1 Challenges in the Application of a Metaheuristic Algorithm for Classification and Prediction of Medical Disease -- 1.4.2 Summary of the Review -- 1.5 Conclusion -- References -- Chapter 2 Generative Adversarial Networks: Theory and Application in Synthesis -- 2.1 Introduction -- 2.2 Ideologies of GAN -- 2.3 Architecture of GAN -- 2.4 Applications of GAN -- 2.4.1 Image Processing and Computer Vision -- 2.4.2 Healthcare and Medical Imaging -- 2.4.3 Natural Language Processing (NLP) -- 2.4.4 Video and Animation -- 2.4.5 Gaming and Entertainment -- 2.4.6 Cybersecurity and Anomaly Detection -- 2.4.7 Fashion and Retail -- 2.4.8 Art and Creativity -- 2.5 Conclusion -- References -- Chapter 3 From Pixels to Predictions: Deep Learning for Glaucoma Detection -- 3.1 Introduction -- 3.1.1 Glaucoma.; 3.1.2 Detection of Glaucoma -- 3.1.3 Deep Learning -- 3.1.4 Glaucoma Detection Using Deep Learning -- 3.2 Literature Review -- 3.2.1 Glaucoma Classification -- 3.2.2 Glaucoma Detecting -- 3.3 Problem Statement -- 3.4 Hybrid Approach for Glaucoma Detection -- 3.5 Result and Discussion -- 3.5.1 Confusion Matrix has been Obtained During Testing that is Shown Below for 4 Models -- 3.6 Conclusion -- 3.7 Future Scope -- References -- Chapter 4 Advancements in Computer Vision for Object Detection and Recognition using DenseNet Deep Learning Model -- 4.1 Introduction -- 4.2 Literature Survey -- 4.2.1 Application of Principles -- 4.3 Proposed System -- 4.4 Results and Discussion -- 4.5 Conclusion -- References -- Chapter 5 Deep Learning-Based Detection of Cyber Extortion -- 5.1 Introduction -- 5.2 Related Works -- 5.3 Existing System -- 5.4 Proposed System -- 5.5 System Architecture -- 5.6 Methodology -- 5.6.1 Data Collection and Preprocessing -- 5.6.2 Feature Extraction -- 5.6.3 Voice Processing -- 5.6.4 Model Architecture -- 5.6.4.1 Text Vectorization Layer -- 5.6.4.2 Embedding Layer -- 5.6.4.3 Bidirectional LSTM Layer -- 5.6.4.4 Dense Layers -- 5.6.4.5 Dropout Regularization -- 5.6.5 Evaluation -- 5.6.5.1 Precision -- 5.6.5.2 Recall -- 5.6.5.3 F1 Score -- 5.6.5.4 Accuracy -- 5.7 Results and Discussion -- 5.8 Conclusion -- 5.9 Future Work -- References -- Chapter 6 GANs Unleashed: From Theory to Synthetic Realities -- 6.1 Introduction -- 6.2 Related Works -- 6.2.1 Accurate Representation of the Density -- 6.2.2 Classification/Regression -- 6.2.3 Computer Algorithms for Image Synthesis -- 6.2.4 Computer Algorithms Synthesize Pictures -- 6.3 Limitations that are Enforced by GAN -- 6.4 Conclusion -- References -- Chapter 7 RFID and Computer Vision-Enhanced Automotive Authentication Verification System -- 7.1 Introduction -- 7.2 Literature Survey.; 7.3 Proposed System -- 7.4 Working -- 7.5 Block Diagram -- 7.6 Hardware Components -- 7.7 Result -- 7.8 Conclusion -- Bibliography -- Chapter 8 Synergizing Ensemble Learning Techniques for Robust Emotion Detection using EEG Signals -- 8.1 Introduction -- 8.1.1 Overview of EEG-Based Emotion Detection -- 8.1.2 Motivation for Using Ensemble Learning -- 8.2 Ensemble Learning Techniques -- 8.2.1 Random Forest Classifier -- 8.2.2 AdaBoost Classifier -- 8.2.3 Gradient Boosting Classifier -- 8.2.4 CatBoost Classifier -- 8.2.5 XGBoost Classifier -- 8.2.6 Extra Trees Classifier -- 8.3 Methodology -- 8.3.1 Data Collection and Preprocessing -- 8.3.2 Implementation Details -- 8.4 Experimental Results -- 8.4.1 Impact of Different Ensemble Techniques on Emotion Detection Accuracy -- 8.4.2 Robustness and Reliability -- 8.5 Discussion -- 8.5.1 Advantages of Ensemble Methods ; in EEG Emotion Detection -- 8.5.2 Future Directions -- 8.6 Conclusion -- Chapter 9 Understanding the Unseen: Explainability in Deep Learning for Computer Vision -- 9.1 Introduction -- 9.1.1 An Overview of the Success of Deep Learning in Computer Vision -- 9.1.2 The Importance of Interpretability and Explainability -- 9.2 The Need for Interpretation in Computer Vision -- 9.3 Understanding Interpretability in Deep Learning -- 9.4 Visualization Techniques -- 9.5 Maps of the Headland -- 9.6 Model Simplification -- 9.7 Meaning of Function -- 9.8 Feature Importance -- 9.9 Methods Based on Prototypes -- 9.10 Challenges and Future Directions -- 9.11 Conclusion -- 9.12 Future Vision -- References -- Chapter 10 Prefatory Study on Landslide Susceptibility Modeling Based on Binary Random Forest Classifier -- 10.1 Introduction -- 10.2 Materials and Methodology -- 10.2.1 Region of Study -- 10.2.2 Preparation of Dataset -- 10.2.3 Random Forest -- 10.2.4 Evaluation of Landslide Susceptibility Model.; 10.3 Result Analysis -- 10.3.1 10-Fold Cross-Validation -- 10.3.2 Feature Selection -- 10.3.3 LSM by Binary RF Model -- 10.4 Conclusion -- References -- Chapter 11 Improving Digital Interactions using Augmented Reality and Computer Vision -- 11.1 Introduction -- 11.2 Literature Survey -- 11.3 Methodology -- 11.4 Results -- 11.5 Conclusion and Future Scope -- References -- Chapter 12 The Evolutionary Dynamics of Machine Learning and Deep Learning Architectures in Computer Vision -- 12.1 Introduction to Computer Vision and Its Evolution -- 12.2 Foundations of Machine Learning in Computer Vision -- 12.3 Rise of Deep Learning in Computer Vision -- 12.4 Key Architectures and Techniques in Deep Learning for Computer Vision -- 12.5 CNN Architectures -- 12.5.1 Inception -- 12.5.2 ResNet (Residual Network) -- 12.5.3 DenseNet -- 12.6 Transfer Learning and Fine-Tuning -- 12.7 Object Detection, Image Segmentation, and Image Classification -- 12.7.1 Visual Geometry Group (VGG) -- 12.7.2 MobileNet -- 12.7.3 Transfer Learning and Fine-Tuning -- 12.7.4 Mask R-CNN -- 12.7.5 DeepLab -- 12.7.6 EfficientNet -- 12.8 Evolution of Image Processing Models -- 12.8.1 Progression of Deep Learning (DL) Architectures -- 12.8.2 Recent Advancements in Computer Vision Research -- 12.8.3 Integration of Multimodal Learning -- 12.8.4 Continual Learning and Lifelong Adaptation -- 12.8.5 Ethical Considerations and Responsible AI -- 12.8.6 Robustness and Adversarial Defense -- 12.8.7 Interpretability and Explainability -- 12.8.8 Domain-Specific Adaptation and Transfer Learning -- 12.8.9 Human-Centric Vision Systems -- 12.9 Challenges and Future Directions -- 12.9.1 Challenges -- 12.9.1.1 Interpretability -- 12.9.1.2 Robustness -- 12.9.1.3 Scalability -- 12.9.1.4 Interpretability -- 12.9.1.5 Robustness -- 12.9.1.6 Scalability -- 12.9.1.7 Interpretability -- 12.9.1.8 Robustness.; 12.9.1.9 Scalability -- 12.9.2 Future Directions -- 12.9.2.1 Multimodal Learning -- 12.9.2.2 Self-Supervised Learning -- 12.9.2.3 Incorporating Domain Knowledge -- 12.9.2.4 Multimodal Learning -- 12.9.2.5 Self-Supervised Learning -- 12.9.2.6 Incorporating Domain Knowledge -- 12.9.2.7 Multimodal Learning -- 12.9.2.8 Self-Supervised Learning -- 12.9.2.9 Incorporating Domain Knowledge -- 12.10 Applications and Impacts -- 12.10.1 Autonomous Driving -- 12.10.2 Medical Imaging -- 12.10.3 Surveillance and Security -- 12.10.4 Societal Impacts -- 12.10.5 Retail and E-Commerce -- 12.10.6 Agriculture -- 12.10.7 Art and Creative Industries -- 12.10.8 Accessibility -- 12.10.9 Environmental Monitoring -- 12.10.10 Industrial Quality Control -- 12.10.11 Augmented Reality (AR) and Virtual Reality (VR) -- 12.10.12 Smart Cities -- 12.10.13 Education -- 12.10.14 Humanitarian Aid and Disaster Response -- 12.11 Conclusion ; -- References -- Chapter 13 Real-World Applications: Transforming Industries with Computer Vision -- 13.1 Introduction -- 13.1.1 Definition and Brief History of Computer Vision -- 13.1.2 Importance of Computer Vision in Modern Industries -- 13.1.3 Purpose and Structure of the Paper -- 13.2 Healthcare -- 13.2.1 Medical Imaging Analysis -- 13.2.1.1 Use in Early Disease Detection (e.g., Cancer, Diabetic Retinopathy) -- 13.2.1.2 Case Studies and Statistics on Improved Diagnostic Accuracy -- 13.2.2 Robotic Surgery -- 13.2.2.1 Enhancements in Precision and Patient Outcomes -- 13.2.3 Patient Monitoring -- 13.2.3.1 Continuous Monitoring Systems and their Benefits -- 13.3 Manufacturing -- 13.3.1 Quality Control and Defect Detection -- 13.3.1.1 Automated Visual Inspection Systems -- 13.3.1.2 Case Studies on Efficiency and Waste Reduction -- 13.3.2 Predictive Maintenance -- 13.3.2.1 Early Detection of Machinery Issues.; 13.3.2.2 Impact on Reducing Downtime and Extending Machinery Lifespan.
• Sommario/riassunto: Master the cutting-edge field of computer vision and artificial intelligence with this accessible guide to the applications of machine learning and deep learning for real-world solutions in robotics, healthcare, and autonomous systems.