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
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
KlausurMindeststandard
ca. 50%Prüfungstyp
KlausurLernziele
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
- 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
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)
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
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
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
Elektronische Dokumentation der eingesetzten Tools
Separate Prüfung
keine
Bei Fehlern, bitte Mitteilung an die
Webredaktion der Fakultät IME
Webredaktion der Fakultät IME
© 2022 Technische Hochschule Köln