Neuroinformatik und Schaltsysteme - Interaktive Studienpläne der TU Ilmenau

Prüfung besteht aus einer Klausur (90min) im Fach Neuroinformatik und einem Gespräch im Fach Schaltsysteme. Die Punkteaufteilung beträgt 50%.

Dieses Modul enthält mindestens eine alternative semesterbegleitende Abschlussleistung. Bitte beachten Sie, dass diese in der Regel schon zu Beginn des Semesters, in dem diese angeboten wird, angemeldet werden muss.
Über die Details und Zeiträume dazu werden Sie vom Lehrenden und/oder dem Prüfungsamt informiert. Fragen Sie gegebenenfalls unbedingt beim Lehrenden nach.

This module contains at least one alternative exam part. Please note that this must usually be registered at the beginning of the semester in which it is offered.
The lecturer and/or the examination office will inform you about the details and time periods. If necessary, be sure to ask the lecturer.

keine

Fachkompetenz: Die Studierenden lernen in diesem Modul die wesentlichen Grundlagen der sequentiellen und der parallelen (konnektionistischen) Informationsverarbeitung als die zwei wesentlichen Paradigmen der Informatik kennen.

Im Teil Neuroinformatik werden die Grundlagen der parallelen neurobiologischen Informationsverarbeitung und der darauf aufbauenden Neuroinformatik als wesentliche Säule der "Computational Intelligence" vermittelt. Die Studierenden verstehen die grundsätzliche Herangehensweise des konnektionistischen Ansatzes und kennen die wesentlichen biologischen Grundlagen, mathematischen Modellierungs- und algorithmischen Implementierungstechniken beim Einsatz von neuronalen und probabilistischen Methoden  im Unterschied zu klassischen Methoden der Informations- und Wissensverarbeitung.

Im Teil Schaltsysteme  verfügen die Studierenden über Kenntnisse und vertieftes Wissen zu speziellen Strukturen und Funktionen von digitaler und programmierbarer Hardware und haben ein vertieftes Verständnis für die praktisch relevanten Problemstellungen und deren Komplexität.

Methodenkompetenz: Die Studierenden sind in der Lage, Fragestellungen aus den o. g. Problemkreisen zu analysieren, durch Anwendung des behandelten Methodenspektrums neue Lösungskonzepte zu entwerfen und umzusetzen, sowie bestehende Lösungen zu bewerten. Die Studierenden können ausgehend von einer Problemanalyse eigene Lösungen mit neuronalen Techniken erstellen. Sie sind in der Lage, komplexe digitale Schaltungen zu analysieren und zu synthetisieren und können auch umfangreichere Steuerungen sowohl mit Hilfe von diskreten Gatterschaltungen als auch mit Hilfe programmierbarer Schaltkreise erstellen. Sie können beim Entwurf systematisch vorgehen und ihre Entwürfe verifizieren.

Systemkompetenz: Auf Basis der vermittelten Methodik sind die Studierenden in der Lage, Methoden der Computational Intelligence  auf neue Probleme anzuwenden und erfolgreich einzusetzen. Sie können dabei auf ein breites Methodenwissen aus den Bereichen der Neuroinformatik zurückgreifen.

Im Teil Schaltsysteme sind die Studierenden in der Lage, Programmsysteme zum Entwurf digitaler Steuerungen und Schaltungen anzuwenden.

Sozialkompetenz: Die Studierenden sind in der Lage, praktische Problemstellungen mit Methoden der parallelen und sequentiellen Informationsverarbeitung in der Gruppe zu analysieren, zu lösen und die Lösungen zu präsentieren.

Sie erarbeiten Problemlösungen komplexer digitaler Schaltungen in der Gruppe, wobei einzelne Teilfunktionen von unterschiedlichen Personen entworfen werden. Sie können die von ihnen synthetisierten Schaltungen und Modellsteuerungen gemeinsam in einem Praktikum erproben, auf Fehler analysieren und korrigieren

Die Lehrveranstaltung vermittelt das erforderliche Methodenspektrum aus theoretischen Grundkenntnissen und praktischen Fähigkeiten zum Verständnis, zur Implementierung und zur Anwendung neuronaler und probabilistischer Techniken der Informations- und Wissensverarbeitung in massiv parallelen Systemen mit den Schwerpunkten Datenanalyse, Signalverarbeitung, Mustererkennung und Optimierung für verschiedene Ingenieursdisziplinen. Sie vermittelt sowohl Faktenwissen als auch begriffliches Wissen aus folgenden Themenbereichen:
-    Informationsverarbeitung und Lernen in biologischen neuronalen Systemen
-    Wichtige Neuronenmodelle (Biologisches Neuron, I&F Neuron, Formale Neuronen)
-    Netzwerkmodelle - grundlegende Verschaltungsprinzipien & Architekturen
-    Lernen in Neuronalen Netzen: wesentliche Arten des Lernens, wesentliche Lernparadigmen
     (Supervised / Unsupervised / Reinforcement Learning)
-    Grundprinzip des überwachten Lernens: Multi-Layer-Perzeptron & Error-Backpropagation
     (EBP)-Lernregel
-    Grundprinzip des unüberwachten Lernens: Self-Organizing Feature Maps (SOFM), Neural Gas,
     Growing Neural Gas ? als adaptive Vektorquantisierer
-    Weitere wichtige Entwicklungen: Erweiterungen zum EBP-Algorithmus; Netzwerke mit Radialen
     Basisfunktionen, Support Vector Machines (SVM), Neuro-Fuzzy-Systeme, aktuelle Entwicklungen
-    Anwendungsbeispiele aus den Bereichen Mustererkennung, Signal-/Bildverarbeitung, Biomedizin,
     Robotik, Neuro-Control
-    exemplarische Software-Implementationen neuronaler Netze für nichtlineare
     Klassifikationsprobleme
-    Entwurf kombinatorischer Schaltungen (Verallgemeinerte Wertverlaufsgleichheit; Implizite
     Gleichungssysteme; Struktursynthese, Minimierung; Dynamische Probleme)
-    Entwurf sequentieller Automaten (Partielle, nichtdeterminierte Automaten; Struktursynthese mit
     unterschiedlichen Flip-Flop-Typen; Operations- und Steuerwerke)
-    Entwurf paralleler Automaten (Komposition/ Dekomposition; Automatennetze;
     Entwurfswerkzeuge)

Die Studierenden erwerben auch verfahrensorientiertes Wissen, indem für reale Klassifikations- und Approximationsprobleme verschiedene neuronale und probabilistische Lösungsansätze theoretisch behandelt und praktisch umgesetzt werden. Dies ist auch Bestandteil des NI-Contests, der die softwaretechnische Implementierung eines Funktionsapproximators mittels eines überwacht trainierten Neuronalen Netzes zum Gegenstand hat.
SG BA-BMT: Im Rahmen des NI-Praktikums (0.5 SWS) werden die behandelten methodischen und technischen Grundlagen der neuronalen und probabilistischen Informationsverarbeitungs- und Lernprozesse  durch die Studierenden mittels interaktiver Demo-Applets vertieft und in Gesprächsgruppen aufgearbeitet.

Vorlesung mit Tafel und PowerPoint, Video zur Vorlesung, Applets und PowerPoint-Präsentationen im Internet, Arbeitsblätter, Lehrbuch

Zell, A.: Simulation Neuronaler Netzwerke. Addison-Wesley 1997
Bishop, Ch.: Neural Networks for Pattern Recognition. Oxford Press, 1996
Ritter, Martinetz, Schulten: Neuronale Netze. Addison-Wesley, Oldenbourg, 1994
Görz, G., Rollinger, C.R., Schneeberger, J.: Handbuch der Künstlichen Intelligenz, Oldenbourg Verlag 2003
Lämmel, Cleve: Künstliche Intelligenz – Lehr- und Übungsbuch. Fachbuchverlag, Leipzig, 2004 Wuttke, Henke: Schaltsysteme, Pearson-Verlag, München 2003
Informatik-Duden: Duden-Verlag 1988/89Schiffmann
S. Hentschke: Grundzüge der Digitaltechnik, Teubner-Verlag, Stuttgart 1988
T. Flick, H. Liebig: Mikroprozessortechnik, 4. Auflage, Springer- Verlag, Berlin 1994
Literaturempfehlungen zu den Vorlesungen