Vorlesungsverzeichnis
Suchen Sie hier über ein Suchformular im Vorlesungsverzeichnis der Leuphana.
Lehrveranstaltungen
Intelligente Systeme [Wahl] (Vorlesung)
Dozent/in: Anthimos Georgiadis
Termin:
wöchentlich | Dienstag | 10:15 - 11:45 | 04.04.2022 - 08.07.2022 | C 40.165 Seminarraum
Inhalt: Das Modul vermittelt grundlegende Kenntnisse der intelligenten Systeme. Eine fundierte Einführung über analoge und digitale Signale, Systeme, Filter und deren Eigenschaften wird gegeben. Anschließend wird auf als Vorbereitung auf die Referate auf die Grundlagen der künstlichen Intelligenz eingegangen. Die Vorlesung wird ergänzt durch unterschiedliche Laborveranstaltungen und am Ende der Vorlesungszeit stellen die Studierenden Ihre Arbeiten zu speziellen Themen der künstlichen Intelligenz vor. Inhaltsverzeichnis 1.Signale und analoge Systeme Signalklassierung und Eigenschaften Standardsignale (Sprung, Rechteck, Impuls) Signalerzeugung in MATLAB (digital) Eigenschaften linearer zeitinvarianter (LTI) Systeme Impulsantwort, Frequenzgang, Übertragungsfunktion, Sprungantwort Simulation eines LTI-Systems mit MATLAB SIMULINK 2.Signaldigitalisierung und Signalmodulation Analog-Digital-Umsetzer Digital-Analog-Umsetzer Abtastung und Quantisierung Amplitudenmodulation und Frequenzmodulation 3.Integraltransformationen für digitale Signale Fourier-Transformation (FTA, DFT, FFT, Zero-Padding, Leakage) Inverse Fourier-Transformation Diskrete Faltung z-Transformation 4. Digitale Systeme und Filter Eigenschaften, Vor- und Nachteile gegenüber analogen Systemen LTD-(linear, time-invariant, discrete) Systeme FIR und IIR Systeme („Finite Impulse Response“ (FIR)-, sowie „Infinite Impulse Response“ (IIR)) Impulsantwort, Frequenzgang, z-Übertragungsfunktion, Sprungantwort Nachbildung analoger (realer) Systeme als digitale Systeme FIR und IIR Filter IIR-Filterentwurf mittels bilinearer Transformation 5.Grundlagen der KI Begriffsklärung und Anwendungsgebiete der künstlichen Intelligenz (KI) Einteilung nach Art des Lernens und nach Algorithmus Überwachtes Lernen (Regressions- und Klassifikationsprobleme) Unüberwachtes Lernen Bestärkendes Lernen Trainingsdaten für lernende Systeme 7. Referate Bayes'sche Netze Hidden Markov Modelle Induktive Logische Programmierung Künstliche Neuronale Netze Support Vector Machines Selbstorganisierende Karten
Künstliche Intelligenz - Theorie und Anwendung (Vorlesung)
Dozent/in: Ralph Welge
Termin:
wöchentlich | Dienstag | 16:15 - 17:45 | 04.04.2022 - 08.07.2022 | C 12.009 Seminarraum
Inhalt: Die Veranstaltung gliedert sich in zwei Teile Teil 1: Linked Data Engineering Teil 2: Datenquellen: Relationale Datenbanken und ETL-Prozesse Teil I: Linked Data Engineering Der ersteTeil beschäftigt sich mit der Theorie des Linked Data Engineering. „Linked Data“ sind stark vernetzte Daten, die in Graph-basierten Datenbanken gespeichert und optional mit semantischen Informationen angereichert werden können. Linked Data haben ein breites Anwendungsspektrum angefangen beim klassischen Reporting bis hin bspw. zur Ursachenforschung. Zu den Linked Data Technologien gehören Sprachen wie XML, RDF, RDFS und OWL, Ansätze für Abfragesprachen wie SPARQL, Reasoning-Methoden sowie nicht zuletzt Werkzeuge zur Modellbildung und Inferenz. Das Verständnis der logischen und technologischen Grundlagen ist die Voraussetzung für das Verständnis von semantischen Anwendungen. 1. Grundlagen: Prinzipien, Uniform Resource Identifier 2. RDF: Sprache und deren Serialisierung, Datenstrukturen, Reification 3. RDFS: Model Building, Logical Inference 4. OWL: Konzept und Anwendung 5. Vocabularies and Ontologies: Linked Data Vocabularies, OWL 6. Die Sprache SPARQL: Queries 7. RDF Databases 8. RDF Frameworks Teil 2: Datenquellen: Relationale Datenbanken und ETL-Prozesse 1.Motivation, Einführung und Grundbegriffe 2.Aufbau und (Schichten-)Modelle 3. Informationsmodellierung 4. Grundlagen des Relationalen Modells 5.Die Standardsprache SQL Die Theorie wird von praktischen Übungen begleitet. Die Theorie wird von praktischen Übungen begleitet.