Lehrver­anstaltung

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
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

Kenntnisse
Optimierungsstrategien
- Problem-Klassifikationen
- Gradientenverfahren
- Simplex-Algorithmen
- Multikriterielle Optimierung und Pareto-Ansätze
Künstliche neuronale Netze
- Künsliche Neuronen
- Netzstrukturen
- Lernalgorithmen
Fuzzy Logik
- Fuzzifizierung
- Inferenz
- Defuzzifizierung
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

Die Studierenden kennen die gängigen Typen von Optimierungsaufgaben und können konkrete Aufgaben einordnen

Sie kennen das Prinzip des Simplex-Algorithmus und können eine Problemstellung in die für ihn geeignete Standardform überführen und eine Lösung erarbeiten

Die Studierenden können neuronale Netze einordnen und ihre Anwendbarkeit auf Problemstellungen bewerten

Sie können die Parameter neuronaler Netze variieren und ihren Einfluss abschätzen

Sie können Lernverfahren klassifizieren und die Arbeitsweise des Backpropagation Verfahrens beschreiben
Sie kennen die Methodik der Fuzzy Logik und können eine Problemstellung darauf abbilden und das resultierende Systemverhalten begründen

Die Studierenden kennen die Arbeitsweise evolutionärer Algorithmen und können ihre Varianten einordnen

Sie können reale Problemstellungen in geeignete Repräsentationen umsetzen

Sie können Selektionsverfahren bewerten und geeignete Selektionsalgorithmen entwerfen

Die Studierenden können lineare Probleme mit einem Simplex-Algorithmus lösen

Sie können nichtlineare Probleme der Modellbildung und Klassifizierung mit einem neuronalen Netz lösen

Sie können unscharf definierte Aufgaben mit Hilfe von Fuzzy Logik lösen

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 Literatur
keine/none
Besondere Voraussetzungen
keine
Begleitmaterial
Kompendium zur Vorlesung (in engl. Sprache)
Übungsaufgaben und Ergebnisse (in engl. Sprache)
Separate Prüfung
keine

Lernziele

Kenntnisse
Anwendung künstlicher neuronaler Netze auf Klassifizierungsaufgaben

Variation und multikriterielle Optimierung von System-Parametern

Fuzzy-basierte Regelung eines Zwei-Größen Regelkreises

Fertigkeiten
Die Studierenden können mit üblichen Werkzeugen der Computational Intelligence umgehen

Die Studierenden können Systemparameter variieren, Messreihen durchführen und Ergebnisse darstellen, bewerten und diskutieren

Die Studierenden können wissenschaftliche Literatur analysieren, einordnen, in ihren Kontext stellen und präsentieren

Die Studierenden können Aufgaben in einem kleinen Team lösen

Sie können Optimierungsaufgaben strukturieren und systematisch bearbeiten

Sie können das Verhalten eines Systems bewerten und durch geeignete Modifikationen verbessern

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 Literatur
keine/none
Besondere Voraussetzungen
keine
Begleitmaterial
Beschreibung der Aufgabenstellungen (in engl. Sprache)
Elektronische Dokumentation der eingesetzten Tools
Separate Prüfung
keine

© 2022 Technische Hochschule Köln