Modulhandbuch MaTIN2012_ComputationalIntelligence


Verantwortlich: Prof. Dr. Rainer Bartz

Modul

Anerkennbare Lehrveranstaltung (LV)

Organisation

Bezeichnung
Lang MaTIN2012_ComputationalIntelligence
MID MaTIN2012_CI
MPID
Zuordnung
Studiengang MaTIN2012
Studienrichtung WPI
Wissensgebiete SPI, SPP
Einordnung ins Curriculum
Fachsemester 1
Pflicht WPI
Wahl
Version
erstellt 2012-05-29
VID 1
gültig ab WS 2012/13
gültig bis

Zeugnistext

de
Computational Intelligence
en
Computational Intelligence

Unterrichtssprache

Deutsch oder Englisch

Modulprüfung

Form der Modulprüfung
sK Regelfall (bei geringer Prüfungsanzahl: sMP)

Beiträge ECTS-CP aus Wissensgebieten
SPI, SPP 5
Summe 5

Aufwand [h]: 150


Prüfungselemente

Vorlesung / Übung

Form Kompetenznachweis
bÜA Präsenzübung und Selbstlernaufgaben

Beitrag zum Modulergebnis
bÜA unbenotet

Spezifische Lernziele

Kenntnisse
  • (PFK.2,4,5)
    • 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
  • (PFK.3,4,5)
    • 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 ihre Arbeitsweise 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
Handlungskompetenz demonstrieren
  • (PFK.4,5,6)
    • 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

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

Praktikum

Form Kompetenznachweis
bPA Projektaufgaben im Team bearbeiten

Beitrag zum Modulergebnis
bPA Testat

Spezifische Lernziele

Lerninhalte (Kenntnisse)
  • (PFK.4,5,6)
    • Anwendung künstlicher neuronaler Netze auf Klassifizierungsaufgaben
    • Variation und multikriterielle Optimierung von System-Parametern
    • Fuzzy-basierte Regelung eines Zwei-Größen Regelkreises
Fertigkeiten
  • (PFK.4,5,6,7; PSK.3)
    • 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
Handlungskompetenz demonstrieren
  • (PFK.4,5,6,7; PSK.3)
    • 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

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

Diese Seite läuft auf FoswikiDas Urheberrecht © liegt bei den mitwirkenden Autoren. Alle Inhalte dieser Kollaborations-Plattform sind Eigentum der Autoren.
Ideen, Anfragen oder Probleme bezüglich Foswiki? Feedback senden