Event
The dates and events shown here are dynamically displayed from Stud.IP.
Therefore, if you have any questions, please contact the person listed under the item Lehrende/DozentIn (Lecturers) directly.
Event
Semester:
Winter term
2016
2.01.535 Computational Intelligence I -
Event date(s) | room
- Freitag, 21.10.2016 10:00 - 12:00 | A04 2-221
- Freitag, 21.10.2016 12:00 - 14:00 | A04 2-221
- Freitag, 28.10.2016 10:00 - 12:00 | A04 2-221
- Freitag, 28.10.2016 12:00 - 14:00 | A04 2-221
- Freitag, 4.11.2016 10:00 - 12:00 | A04 2-221
- Freitag, 4.11.2016 12:00 - 14:00 | A04 2-221
- Freitag, 11.11.2016 10:00 - 12:00 | A04 2-221
- Freitag, 11.11.2016 12:00 - 14:00 | A04 2-221
- Freitag, 18.11.2016 10:00 - 12:00 | A04 2-221
- Freitag, 18.11.2016 12:00 - 14:00 | A04 2-221
- Freitag, 25.11.2016 10:00 - 12:00 | A04 2-221
- Freitag, 25.11.2016 12:00 - 14:00 | A04 2-221
- Freitag, 2.12.2016 10:00 - 12:00 | A04 2-221
- Freitag, 2.12.2016 12:00 - 14:00 | A04 2-221
- Freitag, 9.12.2016 10:00 - 12:00 | A04 2-221
- Freitag, 9.12.2016 12:00 - 14:00 | A04 2-221
- Freitag, 16.12.2016 10:00 - 12:00 | A04 2-221
- Freitag, 16.12.2016 12:00 - 14:00 | A04 2-221
- Freitag, 23.12.2016 10:00 - 12:00 | A04 2-221
- Freitag, 23.12.2016 12:00 - 14:00 | A04 2-221
- Freitag, 13.1.2017 10:00 - 12:00 | A04 2-221
- Freitag, 13.1.2017 12:00 - 14:00 | A04 2-221
- Freitag, 20.1.2017 10:00 - 12:00 | A04 2-221
- Freitag, 20.1.2017 12:00 - 14:00 | A04 2-221
- Freitag, 27.1.2017 10:00 - 12:00 | A04 2-221
- Freitag, 27.1.2017 12:00 - 14:00 | A04 2-221
- Freitag, 3.2.2017 10:00 - 12:00 | A04 2-221
- Freitag, 3.2.2017 12:00 - 14:00 | A04 2-221
- Donnerstag, 30.3.2017 10:00 - 12:00 | A01 0-007
lecturer
Modules
- inf535 Computational Intelligence I
Study fields
- Studium generale / Gasthörstudium
SWS
4
Lehrsprache
deutsch
Für Gasthörende / Studium generale geöffnet:
Ja
Hinweise zum Inhalt der Veranstaltung für Gasthörende
Schwerpunkt der Lehrveranstaltung "Computational Intelligence I" sind Methoden der stochastischen Optimierung. Ausgehend von Grundlagen der Optimierung und naturinspirierten Optimierungsverfahren wie evolutionären Algorithmen und Schwarmalgorithmen werden Erweiterungen für Mehrzielprobleme und restringierte Problemräume behandelt. Über Meta-Modelle für Zielfunktionen wird die Brücke zum maschinellen Lernen geschlagen. Grundlegende Methoden zur Regression und Klassifikation werden eingeführt, z.B. aus dem Bereich neuronaler Netze. Statistische Aspekte der stochastischen Optimierung und der Datenanalyse werden begleitend zu den methodischen Schwerpunkten vorgestellt.