Modulbezeichnung | Computational Intelligence I |
Modulkürzel | inf535 |
Kreditpunkte | 6.0 KP |
Workload | 180 h |
Einrichtungsverzeichnis | Department für Informatik |
Verwendbarkeit des Moduls |
|
Zuständige Personen |
Kramer, Oliver (Modulverantwortung)
Lehrenden, Die im Modul (Prüfungsberechtigt)
|
Teilnahmevoraussetzungen | |
Kompetenzziele | Nach erfolgreichem Abschluss der Lehrveranstaltung sollen Studierende die Fähigkeit erworben haben, die vorgestellten Methoden sicher in Theorie und Praxis zu beherrschen. Dabei sollen entsprechende Problemstellungen der Optimierung und Datenanalyse von den Studierenden selbst erkannt, modelliert und die Methoden zielsicher eingesetzt werden. **Fachkompetenzen** Die Studierenden: - erkennen Optimierungsprobleme - implementieren einfache Algorithmen der heuristischen Optimierung - diskutieren kritisch Lösungsansätze und Methodenauswahl - vertiefen bekannte Kenntnisse aus Analysis und linearer Algebra **Methodenkompetenzen** Die Studierenden: - vertiefen Programmierkenntnisse - wenden Modellierungsfähigkeiten an - lernen den Zusammenhang zwischen Problemklasse und Methodenauswahl **Sozialkompetenzen** Die Studierenden: - implementieren gemeinsam in der Vorlesung vorgestellte Algorithmen - evaluieren eigene Lösungen und vergleichen diese mit denen Ihrer Kommilitonen **Selbstkompetenzen** Die Studierenden: - schätzen ihre Fach und Methodenkompetenz im Vergleich zu Kommilitonen ein. - erkennen die eigenen Grenzen passen ihr eigenes Vorgehen unter Bezugnahme der Methodenkompetenzen an nötige Anforderungen an |
Modulinhalte | Das Gebiet der Computational Intelligence umfasst intelligente und lernfähige Verfahren zur Optimierung und Datenanalyse. Schwerpunkt der Lehrveranstaltung "Computational Intelligence I" sind Methoden der evolutionären Optimierung und heuristischen Algorithmen. In den Übungen werden praktische Aspekte der Implementierung und Anwendung der Verfahren anhand beispielhafter Aufgabenstellungen vorgestellt und vertieft. Die Inhalte der Vorlesung umfassen im Einzelnen: - Grundlagen der Optimierung - genetische Algorithmen und Evolutionsstrategien - Parametersteuerung und Selbstadaptation - Laufzeitanalyse - Schwarmalgorithmen - restringierte Optimierung - Mehrzieloptimierung - Meta-Modelle |
Literaturempfehlungen | - EIBEN, A. E.; SMITH, J. E.: Introduction to Evolutionary Computing. Springer, 2003 - KENNEDY, J.; EBERHART, R.C.; YUHUI, S.: Swarm Intelligence. Morgan Kaufmann, 2001 - KRAMER, O.: Computational Intelligence. Springer, 2009 - RUTKOWSKI, L.: Computational Intelligence - Methods and Techniques. Springer, 2008 - ROJAS, R.: Theorie der neuronalen Netze: Eine systematische Einführung. Springer, 1993 |
Links | |
Unterrichtsprachen | Englisch, Deutsch |
Dauer in Semestern | 1 Semester |
Angebotsrhythmus Modul | jährlich |
Aufnahmekapazität Modul | unbegrenzt |
Modullevel / module level | AS (Akzentsetzung / Accentuation) |
Modulart / typ of module | je nach Studiengang Pflicht oder Wahlpflicht |
Lehr-/Lernform / Teaching/Learning method | |
Vorkenntnisse / Previous knowledge | - Grundlagen der Statistik |
Lehrveranstaltungsform | Kommentar | SWS | Angebotsrhythmus | Workload Präsenz |
---|---|---|---|---|
Vorlesung | 2 | WiSe | 28 | |
Übung | 2 | WiSe | 28 | |
Präsenzzeit Modul insgesamt | 56 h |
Prüfung | Prüfungszeiten | Prüfungsform |
---|---|---|
Gesamtmodul | Am Ende der Vorlesungszeit |
Mündliche Prüfung oder Klausur |