Computational Intelligence

  • Typ: Vorlesung (V)
  • Lehrstuhl: KIT-Fakultäten - KIT-Fakultät für Maschinenbau - Institut für Automation und angewandte Informatik
    KIT-Fakultäten - KIT-Fakultät für Maschinenbau
  • Semester: WS 21/22
  • Zeit: 20.10.2021
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)


    27.10.2021
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    03.11.2021
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    10.11.2021
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    17.11.2021
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    24.11.2021
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    08.12.2021
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    15.12.2021
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    22.12.2021
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    12.01.2022
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    19.01.2022
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    26.01.2022
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    02.02.2022
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)

    09.02.2022
    14:00 - 15:30 wöchentlich
    30.22 Gaede-Hörsaal
    30.22 Physik-Flachbau (OG 1)


  • Dozent: apl. Prof. Dr. Ralf Mikut
    apl. Prof. Dr. Markus Reischl
    Dr. Ines Reinartz
  • SWS: 2
  • LVNr.: 2105016
  • Hinweis: Präsenz/Online gemischt
Inhalt

Die Studierenden können die grundlegenden Methoden der Computational Intelligence (Fuzzy-Logik, Künstliche Neuronale Netze, Evolutionäre Algorithmen, Deep Learning) 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
  • Deep Learning

Lernziele:

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

VortragsspracheDeutsch
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)