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.

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)