Lehrveranstaltungshandbuch CI
Computational Intelligence
PDF Lehrveranstaltungsverzeichnis English Version: CI
Version: 1 | Letzte Änderung: 25.09.2019 18:14 | Entwurf: 0 | Status: vom verantwortlichen Dozent freigegeben
| Langname | Computational Intelligence |
|---|---|
| Anerkennende LModule | CI_MaTIN |
| Verantwortlich |
Prof. Dr. Rainer Bartz
Professor Fakultät IME |
| Gültig ab | Sommersemester 2021 |
| Niveau | Master |
| Semester im Jahr | Sommersemester |
| Dauer | Semester |
| Stunden im Selbststudium | 78 |
| ECTS | 5 |
| Dozenten |
Prof. Dr. Rainer Bartz
Professor Fakultät IME |
| Voraussetzungen | Vektorfunktionen, Gradienten |
| Unterrichtssprache | deutsch, englisch bei Bedarf |
| separate Abschlussprüfung | Ja |
Literatur
| Domschke W., Drexl A.; Einführung in Operations Research; Springer |
| Zell, A.: Simulation Neuronaler Netze; Oldenbourg |
| Nauck, D. et al.: Neuronale Netze und Fuzzy-Systeme; Vieweg |
| Eiben, A.E., Smith, J.E.: Introduction to Evolutionary Computing; Springer |
| Gerdes, I. et al.: Evolutionäre Algorithmen; Vieweg |
| Grosse et al.: Taschenbuch der praktischen Regelungstechnik, Fachbuchverlag Leipzig |
Abschlussprüfung
| Details | Klausur |
|---|---|
| Mindeststandard | ca. 50% |
| Prüfungstyp | Klausur |
Lernziele
| Zieltyp | Beschreibung |
|---|---|
| Kenntnisse | Optimierungsstrategien - Problem-Klassifikationen - Gradientenverfahren - Simplex-Algorithmen - Multikriterielle Optimierung und Pareto-Ansätze |
| Kenntnisse | Künstliche neuronale Netze - Künsliche Neuronen - Netzstrukturen - Lernalgorithmen |
| Kenntnisse | Fuzzy Logik - Fuzzifizierung - Inferenz - Defuzzifizierung |
| Kenntnisse | Evolutionäre Algorithmen - Gen-Repräsentationen - Selektionsverfahren - Rekombinations-Methoden - Mutations-Operatoren |
| Fertigkeiten | Die Studierenden erarbeiten sich grundlegende Kenntnisse zur Theorie und Anwendung von Methoden der Computational Intelligence |
| Fertigkeiten | Die Studierenden kennen die gängigen Typen von Optimierungsaufgaben und können konkrete Aufgaben einordnen |
| Fertigkeiten | Sie kennen das Prinzip des Simplex-Algorithmus und können eine Problemstellung in die für ihn geeignete Standardform überführen und eine Lösung erarbeiten |
| Fertigkeiten | Die Studierenden können neuronale Netze einordnen und ihre Anwendbarkeit auf Problemstellungen bewerten |
| Fertigkeiten | Sie können die Parameter neuronaler Netze variieren und ihren Einfluss abschätzen |
| Fertigkeiten | Sie können Lernverfahren klassifizieren und die Arbeitsweise des Backpropagation Verfahrens beschreiben |
| Fertigkeiten | Sie kennen die Methodik der Fuzzy Logik und können eine Problemstellung darauf abbilden und das resultierende Systemverhalten begründen |
| Fertigkeiten | Die Studierenden kennen die Arbeitsweise evolutionärer Algorithmen und können ihre Varianten einordnen |
| Fertigkeiten | Sie können reale Problemstellungen in geeignete Repräsentationen umsetzen |
| Fertigkeiten | Sie können Selektionsverfahren bewerten und geeignete Selektionsalgorithmen entwerfen |
| Fertigkeiten | Die Studierenden können lineare Probleme mit einem Simplex-Algorithmus lösen |
| Fertigkeiten | Sie können nichtlineare Probleme der Modellbildung und Klassifizierung mit einem neuronalen Netz lösen |
| Fertigkeiten | Sie können unscharf definierte Aufgaben mit Hilfe von Fuzzy Logik lösen |
| Fertigkeiten | Sie können schwierige Probleme mit Heuristiken der evolutionären Algorithmen lösen |
Aufwand Präsenzlehre
| Typ | Präsenzzeit (h/Wo.) |
|---|---|
| Vorlesung | 2 |
| Übungen (ganzer Kurs) | 1 |
| Übungen (geteilter Kurs) | 0 |
| Tutorium (freiwillig) | 0 |
Besondere Voraussetzungen
|
keine |
| Begleitmaterial |
Kompendium zur Vorlesung (in engl. Sprache) Übungsaufgaben und Ergebnisse (in engl. Sprache) |
|---|---|
| Separate Prüfung | Nein |
Lernziele
| Zieltyp | Beschreibung |
|---|---|
| Kenntnisse | Anwendung künstlicher neuronaler Netze auf Klassifizierungsaufgaben |
| Kenntnisse | Variation und multikriterielle Optimierung von System-Parametern |
| Kenntnisse | Fuzzy-basierte Regelung eines Zwei-Größen Regelkreises |
| Fertigkeiten | Die Studierenden können mit üblichen Werkzeugen der Computational Intelligence umgehen |
| Fertigkeiten | Die Studierenden können Systemparameter variieren, Messreihen durchführen und Ergebnisse darstellen, bewerten und diskutieren |
| Fertigkeiten | Die Studierenden können wissenschaftliche Literatur analysieren, einordnen, in ihren Kontext stellen und präsentieren |
| Fertigkeiten | Die Studierenden können Aufgaben in einem kleinen Team lösen |
| Fertigkeiten | Sie können Optimierungsaufgaben strukturieren und systematisch bearbeiten |
| Fertigkeiten | Sie können das Verhalten eines Systems bewerten und durch geeignete Modifikationen verbessern |
| Fertigkeiten | Sie können mit internationaler wissenschaftlicher Literatur umgehen, sie verstehen und Anderen gegenüber darstellen |
Aufwand Präsenzlehre
| Typ | Präsenzzeit (h/Wo.) |
|---|---|
| Praktikum | 1 |
| Tutorium (freiwillig) | 0 |
Besondere Voraussetzungen
|
keine |
| Begleitmaterial | Beschreibung der Aufgabenstellungen (in engl. Sprache), Elektronische Dokumentation der eingesetzten Tools |
|---|---|
| Separate Prüfung | Nein |
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln