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:
Algorithmen und Datenstrukturen 1 (M_AD1, FS/15-FS/16)
,
Wahrscheinlichkeitsrechnung und Statistik (M_WrStat, HS/14-HS/24)
Zusätzlich vorausgesetzte Kenntnisse:
Englisch
Skriptablage:
https://moodle.ost.ch
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
Elektrotechnik STD_05
Technik / 4 Punkte
Elektrotechnik STD_14
Technik / 4 Punkte
Informatik STD_05
Aufbau Informatik / 4 Punkte
Informatik STD_11
Aufbau Informatik / 4 Punkte
Informatik Retro STD_14_UG
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