Computational Intelligence

Dieses Fach für das Telematik-Masterstudium vermittelt Zugang zu den wichtigsten gegenwärtig bekannten Methoden, um Maschinen "intelligent" zu machen, sowie praktische Erfahrung mit State-of-the-Art Software aus den Bereichen Maschinelles Lernen, Adaptive Roboter, Neuronale Netzwerke, Computational Neuroscience sowie Sprach- und Signalverarbeitung.

Die alte Utopie Maschinen zu bauen, die denken und lernen können, hat sich als sehr viel schwieriger herausgestellt als noch vor einigen Jahrzehnten vermutet wurde. Trotzdem sind in wichtigen Teilbereichen und Anwendungsgebieten bedeutende Fortschritte erzielt worden, die nunmehr bei der Entwicklung neuer Produkte eine zunehmend größere Rolle spielen. Die dafür relevanten Methoden werden in den Lehrveranstaltungen dieses Fachs vorgestellt, wobei das Verständnis der theoretischen Begriffe und Zusammenhänge mit der Durchführung eigener praktischer Experimente unter Benutzung von State-of-the-Art Software Hand-in-Hand geht.

Nicht nur Neuronale Netzwerke, sondern auch andere Methoden des Maschinellen Lernens sowie neue Paradigmen für die Verarbeitung von komplexen Sensordaten in Echtzeit wurden von Forschungsergebnissen über die Organisation von Rechnen und Lernen in Nervensystemen biologischer Organismen inspiriert. Bei Interesse können Studierende im Rahmen dieses Katalogs auch Einblick in den gegenwärtigen Stand der Forschung in diesem spannenden Überschneidungsbereich von Maschineller Intelligenz und Computational Neuroscience erhalten und Erfahrung in der theoretischen Modellierung und Computer-Simulationen von Rechnen und Lernen in lebendigen Organismen sammeln.
 
 

Lehrveranstaltungen des Katalogs

Hinweis:

Die Vorlesungen Computational Intelligence und Signalverarbeitung sind Pflichtfächer im Bakkalaureatsstudium Telematik. Vorkenntnisse aus diesen Lehrveranstaltungen, insbesondere in den Bereichen Maschinelles Lernen, Neuronale Netzwerke, Signalverarbeitung, Statistik und Wahrscheinlichkeitstheorie werden daher bei allen weiterführenden Vorlesungen vorausgesetzt.

Alle weiterführenden Kurse werden auf Wunsch auf Englisch angeboten. Daher ist dieses Fach auch für internationale Studierende sehr geeignet.

Der Katalog besteht aus den folgenden Lehrveranstaltungen:
 

Title	VO	UE
Adaptive Systems	2	1
Advanced Signal Processing 1	0	2
Maschinelles Lernen A *	2	1
Maschinelles Lernen B **	2	1
Neuronale Netze A *	2	1
Neuronale Netze B	2	1
Nonlinear Signal Processing *	2	1
Speech Communication 2	2	0
Speech Communication Laboratory	0	2
Computational Intelligence Seminar A-F (6 Seminare)	0	je 2
Seminar/Projekt Machine Learning and Neuroinformatics	0	6
Seminar/Projekt Signal Processing	0	6

* Farbig unterlegte Kurse sind Kernlehrveranstaltungen, die von allen Studenten in diesem Katalog absolviert werden müssen.
** Da im WS 2006/07 Maschinelles Lernen A nicht angeboten wird, kann alternativ Maschinelles Lernen B besucht und als Kernlehrveranstaltung angerechnet werden.

Alle Lehrveranstaltungen können unabhängig voneinander besucht werden (z.B. ist Neuronale Netze A nicht Voraussetzung für Neuronale Netze B). Die zeitliche Staffelung ermöglicht den Besuch aller Lehrveranstaltungen. Die Grundvorlesungen wiederholen sich in einem 2-Jahres-Rhythmus. Das bedeutet, daß der gesamte Katalog einschließlich einer Diplomarbeit in zwei bis drei Jahren absolviert werden kann. Es ist auch möglich einen individuellen Katalog zusammenzustellen, der den Interessen des Studenten bestmöglich entspricht und auch auf die tatsächlich angebotenen Lehrveranstaltungen Rücksicht nimmt.
Wenn Sie Interesse am Computational Intelligence Katalog haben, oder sich einen individuellen Katalog zusammenstellen wollen, wenden Sie sich bitte im Vorhinein an eine der hier genannten Personen.  
 

Charakter der Lehrveranstaltungen

Vorlesungen und Übungen werden nicht durch passives Lernen und abschließende Prüfung absolviert, sondern bieten mit betreuten, theoretischen und praktischen Übungen versehen ein interaktives Erarbeiten und Verstehen des Stoffes.

In den Seminaren bekommen Studierende Übung im selbständigen Umgang mit neuen Forschungsergebnissen sowie deren Anwendung zur Lösung konkreter Probleme.

• Liste vergangangener, aktueller und zukünftiger Lehrveranstaltungen
• Übersicht über Forschungsmöglichkeiten

Projekte und Diplomarbeiten

In den letzten Jahren wurden bzw. werden unter anderem folgende Diplomarbeiten aus diesem Gebiet am Institut für Grundlagen der Informationsverarbeitung verfaßt:

• Natschläger Thomas: "Raum-zeitliche Strukturen von Berechnungen in biologisch realistischen neuronalen Netzwerken" (1996)
• Zach Christopher: "Reinforcement Learning mit mehreren Agenten" (1997)
• Burgsteiner Harald Michael: "Neural Networks with Dynamic Synapses" (1998)
• Bogensberger Martin: "Mustererkennung mit mehrschichtigen Netzwerken von dynamischen Neuronen" (1999)
• Legenstein Robert Albin: "Effizientes Layout von Neuronalen Netzen" (1999)
• Sammer Gerald: "Automatic feature extraction in text documents" (1999)
• Schwaighofer Anton: "Techniken des Maschinellen Lernens zur Fingerabdruckerkennung" (2000)
• Michael Pfeiffer: "Machine Learning Applications in Computer Games" (2003)
• Bernhard Nessler: "Biologisch motivierte Architektur für Echtzeit-Verarbeitung" (2004)
• Gerhard Neumann: "The Reinforcement Learning Toolbox - Reinforcement Learning for Optimal Control Tasks" (2005)
• Martin Bachler: "Task dependent feature optimization in machine learning" (2005)
• Stefan Klampfl: "Extracting Statistically Independent Components with a Generalized BCM Rule for Spiking Neurons"
  
• Martin Ebner: "Benchmarking of Multimodal Time Series" (2006)
  
• Mario Höfler:  "A Software Framework for Adaptive Biologically Inspired Image Classification" (2006)