| Ziele |
Wissensbasierte Systeme finden ihre Anwendung bei Aufgabenstellungen und Prozessen, für die ein analytisches mathematisches Modell in Form von Gleichungen, Differentialgleichungen, ... nicht verfügbar ist oder zu komplex wäre. Es wird daher versucht, allenfalls vorhandenes Wissen in Form (linguistisch formuliertem) Expertenwissen und/oder realen Daten zur Generierung eines mathematischen Modells heranzuziehen. Dabei spielen mehrwertige (Fuzzy) Logiken, genetische Algorithmen, neuronale Netze, aber auch Entscheidungstheorie und maschinelles Lernen eine wichtige Rolle. Aus Sicht der Anwendung sind Kombinationen von analytischen und wissensbasierten Ansätzen (hybride Modelle) von besonderer Bedeutung.
|
| Lehrinhalte |
Fuzzy Logic:
Motivation, Fuzzy Mengen und logische Operationen, t-Normen, Fuzzy Relationen, Extensionsprinzip, Linguistische Variable, Fuzzy Inferenz, Anwendungsbeispiele.
Fuzzy Control:
Motivation, grundlegende Ideen, Fuzzy Inferenz, Defuzzifizierung, wichtige Typen von Fuzzy Controllern (Mamdani, Tagaki-Sugeno Controller), Anwendungsbeispiele.
Genetische Algorithmen:
Motivation, grundlegende Begriffe der Evolutionsstrategie (Mutation, Rekombination, Selektion) und deren mathematische Modellierung (Fitnessfunktion), Anwendungsbeispiele, Ausblick auf Verallgemeinerungen wie etwa genetische Programmierung.
Neuronale Netze:
Motivation, grundlegende Begriffe künstlicher neuronaler Netzwerke (in Analogie zu den "natürlichen" neuronalen Netzwerken im Gehirn), Netzwerk-Topologie, Anwendungsbeispiele.
Seminar Wissensbasierte mathematische Systeme:
Spezielle Themen und aktuelle wissenschaftliche Arbeiten aus dem Fach Wissensbasierte mathematische Systeme
|
