Achtung! Das Lehrangebot ist noch nicht vollständig und wird bis Semesterbeginn laufend ergänzt.
260088 VO Einführung in die Theorie vernetzter Systeme I (2011W)
Vom zellulären Automaten zu genetischen und neuronalen Netzwerkmodellen
Labels
Beginn und Vorbesprechung: DO 06.10.2010 10:00 Kleiner Seminarraum, Zi. 3510, Boltzmanngasse 5, 1090 WienAuch für interessierte Erstsemester geeignet!Die Vorlesung wird voraussichtlich etwa alle 14 tage stattfinden, und zwar donnerstags, 10.00-12.00rueckfragen: karl.kuerten@univie.ac.at
Details
Sprache: Deutsch
Prüfungstermine
Lehrende
Termine
Zur Zeit sind keine Termine bekannt.
Information
Ziele, Inhalte und Methode der Lehrveranstaltung
Art der Leistungskontrolle und erlaubte Hilfsmittel
Mündliche Prüfung
Mindestanforderungen und Beurteilungsmaßstab
Verständnis der Lehrveranstaltung.
Prüfungsstoff
Entsprechend dem Typus der Lehrveranstaltung.
Literatur
Zuordnung im Vorlesungsverzeichnis
MF 1, MF 10, MaG 25, PD250, LA-Ph212(4), Dok 3., Dok 4.
Letzte Änderung: Mi 19.08.2020 08:06
I. Mustererzeugung, -erkennung und -vervollständigung: Musterzeugung durch zelluläre Automaten mit Schwerpunkt: Fraktale. 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 und Multi-Agentenmodellen.
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.