260088 VO Einführung in die Theorie vernetzter Systeme I (2005W)
Einführung in die Theorie vernetzter Systeme I: Vom zellulären Automaten zum neuronalen Netzwerk
Prüfungsimmanente Lehrveranstaltung
Labels
vierzehntäglich,
Mi 10:00-12:00, Vorbesprechung und Beginn:
Mi 12.10.2005 um 10:00, Sensengasse 8/18, 4.Stock
Mi 10:00-12:00, Vorbesprechung und Beginn:
Mi 12.10.2005 um 10:00, Sensengasse 8/18, 4.Stock
Details
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Mindestanforderungen und Beurteilungsmaßstab
Verständnis der Lehrveranstaltung
Prüfungsstoff
Entsprechend dem Typus der Lehrveranstaltung
Literatur
Zuordnung im Vorlesungsverzeichnis
PD250
Letzte Änderung: Fr 31.08.2018 08:55
Die Vorlesung gibt einen anwendungsbezogenen Einblick in die Programmierung und Theorie zellulärer Automaten und neuronaler Netze sowie zahlreiche Anwendungsmöglichkeiten für die mathematische Modellierung biologischer, physikalischer und ökonomischer Prozesse.
I. Mustererzeugung, -erkennung und -vervollständigung: Musterzeugung durch zelluläre Automaten. Speicherung und Abruf von Informationen in einem neuronalen Netzwerk. Die Mustererkennung und Vervollständigung ist für viele Intelligenzleistungen grundlegend und zählt zu den vorrangigen Forschungszielen auf dem Gebiet der künstlichen Intelligenz.
II. Selbstregulierende vernetzte Systeme: Modellierung biologischer Systeme auf der Grenze zwischen Ordnung und Chaos. Phasenübergänge und spontane Neigung zur Selbstorganisation dokumentiert am Beispiel eines genetischen Modellsystems für Zelldifferenzierung.
III. Kommerzielle Anwendungen: Evolutionäre Ökonomie: Mathematische Modelle für die nicht-lineare dynamische Beschreibung von Wirtschaftsmärkten als wechselwirkendes vernetztes System. Analogien zur Biologie und genetische Algorithmen.
IV. Bildverarbeitung und Computertomographie: Die 3-dimensionale Bildrekonstruktion von Projektionsdaten ist vor allem aufgrund unvermeidbarer Meßungenauigkeiten und des hohen Datenanfalls ein schlecht konditioniertes Inversionsproblem, welches heutzutage mit Hilfe neuronaler Netzwerktechnik erfolgreich angegangen wird.