Modul

CI - Computational Intelligence

Master Technische Informatik 2020


PDF Studiengangsverzeichnis Studienverlaufspläne Master Technische Informatik

Version: 1 | Letzte Änderung: 25.09.2019 17:56 | Entwurf: 0 | Status: vom Modulverantwortlichen freigegeben | Verantwortlich: Bartz

Anerkannte Lehrveran­staltungen CI_Bartz
Dauer 1 Semester
ECTS 5
Zeugnistext (de) Computational Intelligence
Zeugnistext (en) Computational Intelligence
Unterrichtssprache deutsch oder englisch
abschließende Modulprüfung Ja
Inhaltliche Voraussetzungen
Handlungsfelder
Komplexe Rechner-, Kommunikations- und Eingebettete Systeme sowie komplexe Software-Systeme unter interdisziplinären Bedingungen entwerfen, realisieren und bewerten
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Fachliche Führungs- und Projektverantwortung übernehmen
Modulprüfung
Benotet Ja
Frequenz Jedes Semester
Prüfungskonzept

schriftliche Prüfung (Klausur)

Learning Outcomes
LO1 - 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.
Die Studierenden kennen das Prinzip des Simplex-Algorithmus und können eine Problemstellung in die für ihn geeignete Standardform überführen und eine Lösung erarbeiten. Sie können lineare Probleme mit einem Simplex-Algorithmus lösen.
Die Studierenden können neuronale Netze einordnen und ihre Anwendbarkeit auf Problemstellungen bewerten. Sie können Lernverfahren klassifizieren und ihre Arbeitsweise beschreiben. Sie können nichtlineare Probleme der Modellbildung und Klassifizierung mit einem neuronalen Netz lösen.
Sie kennen die Methodik der Fuzzy Logik und können eine Problemstellung darauf abbilden und das resultierende Systemverhalten begründen. Sie können unscharf definierte Aufgaben mit Hilfe von Fuzzy Logik lösen.
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. Sie können schwierige Probleme mit Heuristiken der evolutionären Algorithmen lösen.
LO2 - Die Studierenden können mit üblichen Werkzeugen der Computational Intelligence umgehen.
Die Studierenden können Aufgaben in einem kleinen Team lösen.
Die Studierenden können Systemparameter variieren, Messreihen durchführen und Ergebnisse darstellen, bewerten und diskutieren. Sie können das Verhalten eines Systems bewerten und durch geeignete Modifikationen verbessern.
Die Studierenden können internationale wissenschaftliche Literatur analysieren, einordnen, in ihren Kontext stellen und präsentieren.
Kompetenzen

Vermittelte Kompetenzen
Komplexe Systeme und Prozesse analysieren, modellieren, realisieren, testen und bewerten
Komplexe Aufgaben selbständig bearbeiten
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren
Aufkommende Technologien einordnen und bewerten können
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind
Wissenschaftliche Ergebnisse und technische Zusammenhänge schriftlich und mündlich darstellen und verteidigen
Anerkannte Methoden für wissenschaftliches Arbeiten beherrschen
Sprachliche und interkulturelle Fähigkeiten anwenden

Inhaltliche Voraussetzungen
Handlungsfelder
Komplexe Rechner-, Kommunikations- und Eingebettete Systeme sowie komplexe Software-Systeme unter interdisziplinären Bedingungen entwerfen, realisieren und bewerten
Wissenschaftlich arbeiten und wissenschaftliche Erkenntnisse anwenden und erweitern
Fachliche Führungs- und Projektverantwortung übernehmen
Learning Outcomes
LO1 - 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.
Die Studierenden kennen das Prinzip des Simplex-Algorithmus und können eine Problemstellung in die für ihn geeignete Standardform überführen und eine Lösung erarbeiten. Sie können lineare Probleme mit einem Simplex-Algorithmus lösen.
Die Studierenden können neuronale Netze einordnen und ihre Anwendbarkeit auf Problemstellungen bewerten. Sie können Lernverfahren klassifizieren und ihre Arbeitsweise beschreiben. Sie können nichtlineare Probleme der Modellbildung und Klassifizierung mit einem neuronalen Netz lösen.
Sie kennen die Methodik der Fuzzy Logik und können eine Problemstellung darauf abbilden und das resultierende Systemverhalten begründen. Sie können unscharf definierte Aufgaben mit Hilfe von Fuzzy Logik lösen.
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. Sie können schwierige Probleme mit Heuristiken der evolutionären Algorithmen lösen.
LO2 - Die Studierenden können mit üblichen Werkzeugen der Computational Intelligence umgehen.
Die Studierenden können Aufgaben in einem kleinen Team lösen.
Die Studierenden können Systemparameter variieren, Messreihen durchführen und Ergebnisse darstellen, bewerten und diskutieren. Sie können das Verhalten eines Systems bewerten und durch geeignete Modifikationen verbessern.
Die Studierenden können internationale wissenschaftliche Literatur analysieren, einordnen, in ihren Kontext stellen und präsentieren.
Kompetenzen
Kompetenz Ausprägung
Komplexe Systeme und Prozesse analysieren, modellieren, realisieren, testen und bewerten Vermittelte Kompetenzen
Komplexe Aufgaben selbständig bearbeiten Vermittelte Kompetenzen
Fachwissen erweitern und vertiefen und Lernfähigkeit demonstrieren Vermittelte Kompetenzen
Aufkommende Technologien einordnen und bewerten können Vermittelte Kompetenzen
Probleme wissenschaftlich untersuchen und lösen, auch wenn sie unscharf, unvollständig oder widersprüchlich definiert sind Vermittelte Kompetenzen
Wissenschaftliche Ergebnisse und technische Zusammenhänge schriftlich und mündlich darstellen und verteidigen Vermittelte Kompetenzen
Anerkannte Methoden für wissenschaftliches Arbeiten beherrschen Vermittelte Kompetenzen
Sprachliche und interkulturelle Fähigkeiten anwenden Vermittelte Kompetenzen

Exempla­rische inhaltliche Operatio­nalisierung

Einführung in die Optimierung
- Begriffe und Klassifikatonen bei Optimierungsaufgaben
- Gradientenverfahren
- Simplex Algorithmen
- Multikriterielle Optimierung und Pareto-Optimalität
Künstliche neuronale Netze
- Künstliche Neuronen
- Neuronale Netze
- Klassifikation von Lernverfahren; Backpropagation
Fuzzy Logik
- Unscharfe Mengen; Fuzzifizierung
- Regelwerke der Inferenz-Maschine
- Defuzzifizierungs-Methoden
Evolutionäre Algorithmen
- Informations-Darstellung in Genomen
- Selektionsverfahren
- Genetische Rekombination
- Mutation von Genomen

Separate Prüfung

keine

Exempla­rische inhaltliche Operatio­nalisierung

Lösung von Klassifikationsaufgaben mit künstlichen neuronalen Netzen.
Regelung nichtlinearer Mehrgrößensysteme mit Hilfe unscharfer Logik.
Analyse aktueller wissenschaftlicher Texte im Umfeld von Computational Intelligence und Präsentation vor den Mit-Studierenden.

Separate Prüfung

keine


© 2022 Technische Hochschule Köln