Diese Seite unterstützt Internet Explorer nicht mehr.

Modulbeschreibung

THU > Modulbeschreibung

Künstliche Intelligenz und Softcomputing für Ingenieure

Inhalt

Einführung
Natürliche Intelligenz: Wie lernt das Gehirn?
Grundlagen der technischen Intelligenz
- Daten vs. Information vs. Wissen
- Einführung in Wissensbasierte Systeme
- Beispielanwendungen aus der Industrie: Automatisiertes Lernen aus Daten (Data Mining)
- Grundlagen der Künstlichen Intelligenz (KI)
- - Informationstheorie nach Shannon
  - Deduktives vs. Induktives Lernen
  - Symbolische vs. subsymbolische KI
  - Erste Methoden und Anwendungen: Suchen, Planen, Optimieren / Modellbildungen, Klassifikationen, Prädiktionen
  - Vor- und Nachteile
  - Grundlagen des Maschinellen Lernens
  - - Einführung in Lernstrategien: Lernen mit/ohne Lehrer
    - Lernen auf Ebene der Symbole (z.B. C4.5)
    - Lernen auf Ebene der Subsymbole (z.B. KNN)
    - Evolution in der Maschine: Genetische Algorithmen (GA) und Evolutionsstrategien
    - Softcomputing (KNN und Fuzzy)
- - Neuronale Netze - Die Grundlagen von deep learning
  - - Einführung in das Prinzip: Hebb‘sche Lernregel
    - Methoden & Anwendungen: Feed-Forward-Netze, Laterale und Rekurrente Netze, Self Organizing Maps
    - Ausblick: Komplexwertige Neuronale Netze (CVNN)
    - Software-Labor (ab WS 2017/18)
    - Vor- und Nachteile, Praxisbeispiele
  - Einführung in Fuzzy-Techniken
  - - Methoden & Anwendungen: Modellbildung, Klassifikationen, Fuzzy-Regelungen
    - Vor- und Nachteile, Praxisbeispiele
    - Ausblick: KI2.0
    - - Technische Fragen
      - Turing-Test & Gödel-Paradoxon
        Probleme der KI in den letzten/nächsten 20 Jahren
  - Gesellschaftliche Fragen
  - - Chancen und Risiken
    - Assistenzsysteme, Überwachungssysteme (Big Data)
  - Philosophische Fragen
  - - Kann die Maschine Geist besitzen? Wo ist der Geist im Gehirn?
    - Hilfsmittel: Nutzung von Computern und/oder manuelle Berechnungen von symbolischen Regeln und/oder subsymbolischen Netzwerken

Lernergebnisse

Lernergebnisse

Nach erfolgreichem Abschluss des Moduls können die Studierenden

Fachkompetenz:

Erwerb des Basiswissens der Künstlichen Intelligenz und des Softcomputings
Kenntnis der Möglichkeiten und Grenzen der Methode
Berechnung von einfachen Regeln, neuronalen Netzen und genetischen Algorithmen
Fähigkeit, technische Aufgabenstellungen durch KI-Modelle abzubilden

Methodenkompetenz:

Fähigkeit zur Auswahl und Entwicklung von KI-Modellen aus praxisnahen Problemstellungen
Unterschied Realität/Modell bewerten können
Fähigkeit, eigene Ergebnisse kritisch zu hinterfragen, zu überprüfen und zu interpretieren
Anwendungsgrenzen erkennen

Sozial- und Selbstkompetenz:

Selbstorganisiertes Arbeiten (!)
Verbesserung von Präsentationstechniken
Abstraktion, logisches Denken, zielführende Vorgehensweisen
Fähigkeit sich selbst einzuschätzen (Leistungsniveau)
Teamfähigkeit: durch Gruppenarbeit beim Lösen der Übungsaufgaben lernen die Studierenden miteinander zu arbeiten.
Erkenntnisse über die individuelle Begabung

_______________________________________________________________