Home | english  | Impressum | Datenschutz | Sitemap | KIT

Computational Intelligence

Computational Intelligence
Typ: Vorlesung (V)
Semester: WS 19/20
Zeit: 17.10.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II


24.10.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

31.10.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

07.11.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

14.11.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

21.11.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

28.11.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

05.12.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

12.12.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

19.12.2019
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

09.01.2020
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

16.01.2020
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

23.01.2020
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

30.01.2020
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II

06.02.2020
14:00 - 15:30 wöchentlich
10.23 Nusselt-Hörsaal
10.23 Kollegiengebäude Maschinenbau II


Dozent: Dr. Wilfried Jakob
Prof. Dr. Ralf Mikut
PD Dr.-Ing. Markus Reischl
SWS: 2
LVNr.: 2105016
Bemerkungen

Die Studierenden können die grundlegenden Methoden der Computational Intelligence (Fuzzy-Logik, Künstliche Neuronale Netze, Evolutionäre Algorithmen) zielgerichtet und effizient zur Anwendung bringen. Sie beherrschen sowohl die wichtigsten mathematischen Methoden als auch den Transfer zu praktischen Anwendungsfällen.

Content:

  • Begriff Computational Intelligence, Anwendungsgebiete und -beispiele
  • Fuzzy Logik: Fuzzy-Mengen; Fuzzifizierung und Zugehörigkeitsfunktionen; Inferenz: T-Normen und -Konormen, Operatoren, Prämissenauswertung, Aktivierung, Akkumulation; Defuzzifizierung, Reglerstrukturen für Fuzzy-Regler
  • Künstliche Neuronale Netze: Biologie neuronaler Netze, Neuronen, Multi-Layer-Perceptrons, Radiale-Basis-Funktionen, Kohonen-Karten, Lernverfahren (Backpropagation, Levenberg-Marquardt)
  • Evolutionäre Algorithmen: Basisalgorithmus, Genetische Algorithmen und Evolutionsstrategien, Evolutionärer Algorithmus GLEAM, Einbindung lokaler Suchverfahren, Memetische Algorithmen, Anwendungsbeispiele

Lernziele:

Die Studierenden können die grundlegenden Methoden der Computational Intelligence (Fuzzy-Logik, Künstliche Neuronale Netze, Evolutionäre Algorithmen) zielgerichtet und effizient zur Anwendung bringen. Sie beherrschen sowohl die wichtigsten mathematischen Methoden als auch den Transfer zu praktischen Anwendungsfällen.

Voraussetzungen

Keine.

Empfehlungen:

Keine.

Literaturhinweise

Kiendl, H.: Fuzzy Control. Methodenorientiert. Oldenbourg-Verlag, München, 1997

S. Haykin: Neural Networks: A Comprehensive Foundation. Prentice Hall, 1999

Kroll, A. Computational Intelligence: Eine Einführung in Probleme, Methoden und technische Anwendungen Oldenbourg Verlag, 2013

Blume, C, Jakob, W: GLEAM - General Learning Evolutionary Algorithm and Method: ein Evolutionärer Algorithmus und seine Anwendungen. KIT Scientific Publishing, 2009 (PDF frei im Internet)

H.-P. Schwefel: Evolution and Optimum Seeking. New York: John Wiley, 1995

Mikut, R.: Data Mining in der Medizin und Medizintechnik. Universitätsverlag Karlsruhe; 2008 (PDF frei im Internet)

Lehrinhalt
  • Begriff Computational Intelligence, Anwendungsgebiete und -beispiele
  • Fuzzy Logik: Fuzzy-Mengen; Fuzzifizierung und Zugehörigkeitsfunktionen; Inferenz: T-Normen und -Konormen, Operatoren, Prämissenauswertung, Aktivierung, Akkumulation; Defuzzifizierung, Reglerstrukturen für Fuzzy-Regler
  • Künstliche Neuronale Netze: Biologie neuronaler Netze, Neuronen, Multi-Layer-Perceptrons, Radiale-Basis-Funktionen, Kohonen-Karten, Lernverfahren (Backpropagation, Levenberg-Marquardt)
  • Evolutionäre Algorithmen: Basisalgorithmus, Genetische Algorithmen und Evolutionsstrategien, Evolutionärer Algorithmus GLEAM, Einbindung lokaler Suchverfahren, Memetische Algorithmen, Anwendungsbeispiele
Kurzbeschreibung

Die Studierenden können die grundlegenden Methoden der Computational Intelligence (Fuzzy-Logik, Künstliche Neuronale Netze, Evolutionäre Algorithmen) zielgerichtet und effizient zur Anwendung bringen. Sie beherrschen sowohl die wichtigsten mathematischen Methoden als auch den Transfer zu praktischen Anwendungsfällen.

Arbeitsbelastung

Präsenzzeit: 21 Stunden
Selbststudium: 99 Stunden

Ziel

Die Studierenden können die grundlegenden Methoden der Computational Intelligence (Fuzzy-Logik, Künstliche Neuronale Netze, Evolutionäre Algorithmen) zielgerichtet und effizient zur Anwendung bringen. Sie beherrschen sowohl die wichtigsten mathematischen Methoden als auch den Transfer zu praktischen Anwendungsfällen.

Prüfung

mündlich oder schriftlich (bei mehr als 40 Teilnehmern),

Dauer: 30 min (mündlich) oder 60 min (schriftlich)

Hilfsmittel: keine