Modulhandbuch MaTIN2012_ComputationalIntelligence

---

Verantwortlich: Prof. Dr. Rainer Bartz

Modul

Anerkennbare Lehrveranstaltung (LV)

• F07 CI

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