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
Standort (angeboten):
Rapperswil-Jona
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)
Standard-Modul für Informatik Retro STD_14_UG(Empfohlenes Semester: 6)
ECTS-Punkte pro 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:
- Einführung in die Künstliche Intelligenz
- Analytisch lösbare Optimierungsaufgaben
- Neuronale Netze
- Genetische Algorithmen
- 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)
Unterrichtssprache:
Deutsch
Bibliographie:
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