Modulinformationssystem Informatik

 

Computational Intelligence URL PDF XML

Modulcode: infCI-01a
Englische Bezeichnung: Computational Intelligence
Modulverantwortliche(r): Prof. Dr.-Ing. Sven Tomforde
Turnus: unregelmäßig (WS19/20 WS20/21 WS21/22 SS23)
Präsenzzeiten: 4V 2Ü
ECTS: 8
Workload: 60 Std. Vorlesung, 30 Std. Präsenzübung, 150 Std. Selbststudium
Dauer: ein Semester
Modulkategorien: BSc-Inf-WP (BSc Inf (21)) BSc-WInf-WP-Inf (BSc WInf (21)) WI (BSc Inf (15)) MSc-Inf-WP (MSc Inf (21)) 2F-MEd-Inf-WP (MEd-Hdl Inf (21)) 2F-MA-Inf-WP (2F-MA Inf (21)) MSc-WInf-WP-Inf (MSc WInf (21)) WI (MSc Inf (15))
Lehrsprache: Deutsch
Voraussetzungen: Info Inf-Math-A Inf-Math-B Inf-Math-C infEInf-01a

Kurzfassung:

  • Erster Termin ist Montag, 25.10. um 14:15
  • Diese erste Veranstaltung wird ONLINE stattfinden, danach wollen wir grundsätzlich in den Präsenzmodus wechseln. Dies hängt aber u.a. von der Anzahl der Teilnehmenden ab - insofern bitten wir alle Interessierten am ersten Termin teilzunehmen.
  • Dort wird die Organisation der Veranstaltung diskutiert sowie der Zugriff auf OpenOLAT, Zoom, etc bekannt gegeben
  • Zoom Link für diese Veranstaltung: https://uni-kiel.zoom.us/j/68002925985?pwd=R1cyb0daTmZOZzNFdENwQ2FFdExCUT09

Der Begriff "Computational Intelligence" (CI) beschreibt ein Teilgebiet der künstlichen Intelligenz. Im Wesentlichen fasst er drei biologisch motivierte Fachgebiete der Informationsverarbeitung zusammen: Basierend auf Algorithmen der Fuzzylogik und künstlichen neuronalen Netzen sowie auf den Evolutionären Algorithmen wird die Beherrschung komplexer Systeme angestrebt und mit weiteren, typischerweise biologisch-inspirierten, Verfahren kombiniert. Urspünglich in den 1990er-Jahren vom Institute of Electrical and Electronics Engineers (IEEE) geprägt, wird der Begriff heutzutage oft synonym mit dem Soft-Computing verwendet. Alle beinhalteten Teilgebiete haben gemeinsam, dass sie Mechanismen natürlicher (d. h. insbesondere biologische, physische oder soziale) Problemlösungsstrategien für mathematische oder Ingenieur-technische Fragestellungen nutzbar machen. Dabei wird nicht auf eine direkte Übertragung oder "technische Kopie" abgezielt, sondern auf ein Verständnis und eine Imitation der Basismechanismen. Die so entwickelten Verfahren stehen im Gegensatz zu exakt-mathematischen Verfahren - man folgt eher frei dem Motto: "Erlaubt ist, was funktioniert".

Lernziele:

Ziel der Veranstaltung ist die Vermittlung eines ersten Überblicks über das Gebiet der Computational Intelligence in Theorie und Praxis. Darauf aufbauend sollen Studierende ein Grundverständnis und entsprechende Herangehensweisen vermittelt werden, sodass insbesondere folgende Ziele erreicht werden:

  • Die Studierenden haben ein Grundverständnis der Komplexität von Technischen Systemen und wissen wie diese beherrscht werden kann.
  • Sie wissen wie scheinbar komplexe Zusammenhänge mit Mechanismen der Computational Intelligence einfach beschreiben werden können.
  • Techniken aus dem Feld Computational Intelligence / Soft Computing sowie deren Vor- und Nachteile im Vergleich sind bekannt.

Lehrinhalte:

  • Einführung und Organisation
  • Komplexe Systeme: Definition, Umfeld und Beherrschung von Komplexität
  • Emergenz und Selbstorganisation
  • Fraktale
  • Zelluläre Automaten
  • Evolutionäre Algorithmen
  • Partikel-Schwarm-Optimierung
  • Ameisen Algorithmen
  • Bienen Algorithmen
  • Neuronale Netze
  • Zusammenfassung

Weitere Voraussetzungen:

Keine verpflichtenden.

Grund- oder Aufbaumodule wie Mathematik und Betriebssysteme und Kommunikationssysteme sollten bekannt sein.

Prüfungsleistung:

Schriftliche Prüfung (90 Minuten) oder mündliche Prüfung (25 Minuten), wird am Vorlesungsbeginn bekanntgegeben.

Der erfolgreiche Abschluss aller semesterbasierten Aufgaben ist für die Teilnahme an der Prüfung obligatorisch. Zu diesen Aufgaben gehören: drei Quizzes (die über Moodle innerhalb einer vorgegebenen Frist zu absolvieren sind) und drei praktische Aufgaben (Entwicklung einer emergenten Verhalten als komplexes Muster auf Makro-Ebene sowie Quantifizierung des Effektes gemäß Lehrinhalt). Bitte beachten Sie, dass die Aufgaben nicht benotet, sondern nur bestanden/nicht bestanden werden - sie sind eine Voraussetzung für die Prüfung.

Lehr- und Lernmethoden:

Neben der Vorlesung werden in den Präsenzübungen die zu bearbeitenden Aufgaben besprochen und weitere Präsenzaufgaben in Kleingruppen bearbeitet.

Die Vorlesung baut auf der Nutzung folgender Lehrmethoden auf:

  • Erläuternder Vortrag mit Foliensätzen
  • Tafelanschrieb von erläuternden Beispielen
  • Nutzung von Videosequenzen zur Illustration
  • Interaktive Elemente (Fragen, Aufgaben)
  • Internet-basiertes Quiz

Die Übung baut auf der Nutzung folgender Bausteine auf:

  • Übungsblätter mit schriftlichen Aufgaben (bspw. Berechnungen)
  • Implementierung von Einzelaufgaben (bspw. in JAVA oder NetLogo)
  • Lesen und Bewerten von wissenschaftlichen Veröffentlichungen
  • Vorstellung der Ergebnisse in der Präsenzübung durch Teilnehmer
  • Diskussion

Verwendbarkeit:

Der erhaltene Überblick erleichtert das Verständnis der Inhalte der nachfolgenden Veranstaltungen wie "Intelligent Systems" oder "Autonomous Learning".

Literatur:

Basisliteratur:

  • Anthony Brabazon, Michael O'Neill, Seán McGarraghy: Natural Computing Algorithms (Natural Computing Series), Springer Verlag 2015, ISBN: 978-3662436301
  • Computational Intelligence: Eine methodische Einführung von Kruse, Borgelt, Braune, Klawonn, Moewes, Steinbrecher, 2015, Springer, ISBN 9783658109035

Einzelne Kapitel stützen sich auf weiterführende Literatur: Fraktale:

  • E. Behrends. "Vorlesungen zum Gedenken an Felix Hausdorff". In: Heldermann Verlag, 1994. Kap. Fraktale und Mathematik - eine elementare Einführung. http://www.heldermann.de/BSM/BSM05/bsm05-191.pdf

Zelluläre Automaten:

  • Joel L. Schiff. Cellular Automata: A Discrete View of the World. Wiley, 2008. 252 S. ISBN: 978-0-470-16879-0. http://psoup.math.wisc.edu/pub/Schiff_CAbook.pdf

Selbstorganisierende Systeme:

  • Marco Dorigo und Thomas Stüzle. Ant Colony Optimization. The MIT Press, 2004. https://pdfs.semanticscholar.org/7c72/393febe25ef5ce2f5614a75a69e1ed0d9857.pdf
  • Christian Müller-Schloer und Sven Tomforde. Organic Computing - Technical Systems for Survival in the Real World. Birkhäuser, 2017.

https://link.springer.com/book/10.1007%2F978-3-319-68477-2 Evolutionäre Algorithmen:

  • Melanie Mitchell. An Introduction to Genetic Algorithms. Cambridge, MA, USA: MIT Press, 1998. ISBN: 0262631857.

http://www.boente.eti.br/fuzzy/ebook-fuzzy-mitchell.pdf Neuronale Netzwerke:

  • Ian Goodfellow, Yoshua Bengio und Aaron Courville. Deep Learning. MIT Press, 2016 http://www.deeplearningbook.org

Verweise:

Kommentar: