MODULBESCHREIBUNG

Artificial Intelligence (AI)

Kurzzeichen:
M_AI
Durchführungszeitraum:
FS/13-FS/15
ECTS-Punkte:
4
Lernziele:
  • Der Teilnehmer besitzt eine Übersicht über die Konzepte und Eigenschaften unten aufgeführter, ausgewählter Technologien und Algorithmen.
  • Mit ausgewählten Übungen lernt er deren Möglichkeiten kennen und ist in der Lage abzuschätzen, wo diese sinnvoll eingesetzt werden können.
  • Der Teilnehmer verfügt über Grundkenntnisse in der Entwicklung von diesen Technologien und Algorithmen und kann sie in eigenen Projekten einsetzen.
Verantwortliche Person:
Stolze Markus
Empfohlene Module:
Zusätzlich vorausgesetzte Kenntnisse:
Englisch
Skriptablage:
Modultyp:
Standard-Modul für Elektrotechnik STD_05(Empfohlenes Semester: 6)
Standard-Modul für Elektrotechnik STD_14(Empfohlenes Semester: 6)
Standard-Modul für Informatik STD_05(Empfohlenes Semester: 6)
Standard-Modul für Informatik STD_11(Empfohlenes Semester: 6)
Standard-Modul für Informatik STD_14(Empfohlenes Semester: 6)

ECTS-Punkte pro Kategorie

Kategorie:
Technik / 4 Punkte
Technik / 4 Punkte
Aufbau Informatik / 4 Punkte
Aufbau Informatik / 4 Punkte
Grundlagen Informatik und Aufbau Informatik / 4 Punkte

Modulbewertung

Bewertungsart:
Note von 1 - 6

Leistungsbewertung

Während der Prüfungssession:
Schriftliche Prüfung, 120 Minuten
Zulassungsbedingungen zur Prüfung:
Testat

Gewichtung:
Bemerkungen:
Uebungen mit Computerprogrammen der Programmiersprache Mathematica

Kurse in diesem Modul

Artificial Intelligence (AI)

Kurzzeichen:
AI
Lernziele:
Plan und Lerninhalt:
  1. Einführung in die Künstliche Intelligenz
  2. Analytisch lösbare Optimierungsaufgaben
  3. Neuronale Netze
  4. Genetische Algorithmen
  5. Clusering-Gruppierverfahren

Die Schwergewichte liegen auf

  • Garphische Methoden und Spieltheorie (Backtracking, Constraint Propagation)
  • Analytische Optimierung (Multidimensionale Extremalprobleme, Lagrange Multiplikatoren, Gleichgewichte, Gradientenabstieg)
  • Expertensysteme (Clustering, Classifers)
  • Neuronale Netze (biologische und biologienahe Modellierung, Spinsystem-Analogie)
  • Evolutionäre Optimierung (genetische Algorithmen)

Kursart:

(Durchführung gemäss Stundenplan)

Vorlesung mit 2 Lektionen pro Woche
   - Max. Teilnehmer: 72
   - Harte Grenze: ja
Uebung mit 2 Lektionen pro Woche
   - Max. Teilnehmer: 18
   - Harte Grenze: ja