|
| Code: | 278500 |
| Modul: | Problemlösen |
| Module title: | Problem Solving |
| Version: | 1.0 (06/2021) |
| letzte Änderung: |
07.05.2024 |
| Modulverantwortliche/r: |
Prof. Dr.-Ing. Ringwelski, Georg
G.Ringwelski@hszg.de |
|
| angeboten im Studiengang: | Informatik (M.Sc.) gültig ab Matrikel 2024 |
|
| Modul läuft im: | SoSe (Sommersemester)
|
| Niveaustufe: | Master |
| Dauer des Moduls: | 1 Semester |
| Status: | Pflichtmodul |
| Lehrort: | Görlitz |
| Lehrsprache: | Deutsch |
| Workload* in |
SWS ** |
Semester |
| Zeit- std. | ECTS-
Pkte |
1 |
2 |
3 |
4 |
|
V |
S |
P |
W |
V |
S |
P |
W |
V |
S |
P |
W |
V |
S |
P |
W |
| 150 | 5 | 4.0 |
|
0 |
0 |
4 |
0 |
|
|
| * | Gesamtarbeitsaufwand pro Modul
(1 ECTS-Punkt entspricht einem studentischen Arbeitsaufwand von 30 Zeitstunden) |
| ** | eine Semesterwochenstunde (SWS) entspricht 45 Minuten pro Woche |
| Selbststudienzeit in h |
Angabe gesamt |
davon |
| 105 |
105
Vor- und Nachbereitung LV |
0
Vorbereitung Prüfung |
0
Sonstiges |
|
Lehr- und Lernformen: | Das Modul wird in integrierten Vorlesungs- und Praktikums- und Seminaranteilen durchgeführt. Der Schwerpunkt liegt dabei bei der selbstständigen Erarbeitung der Themengebiete durch die Studierenden. Insbesondere für die Prüfungsleistung sind mehrere kleine Projekte in Einzelarbeit zu erstellen. Die Themen werden dabei individuell unterschiedlich in Abstimmung mit dem Dozenten festgelegt und im Anschluss in klassischer Seminarform im Plenum präsentiert. |
| Hinweise: | Zur aktuell durchgeführten Veranstaltung finden Sie Informationen im OPAL: https://bildungsportal.sachsen.de/opal/auth/RepositoryEntry/33267253249/CourseNode/1638934270848077006?13 |
| Prüfung(en) |
| Prüfung | Prüfungsleistung als Laborarbeit (PL) |
- |
100.0% |
|
| Lerninhalt: |
- Grundbegriffe menschlichen und maschinellen Problemlösens. Modellierung von Problemen, so dass sie in geeigneter Form von Mensch und Maschine gemeinsam gelöst werden können.
- Vollständige Suchverfahren: Suchbaumbasierte Algorithmen wie Backtracking oder Branch and Bound erweitert um Heuristiken und KI-Methoden wie Wert- und Variablenauswahlheuristiken, A*, Random Restarts etc.
- Unvollständige Suchverfahren: Hillclimbing, Genetische Algorithmen, Simulated Anneling und anderen bekannte KI-Algorithmen zum zielgerichteten Raten guter Lösungen.
|
| Lernergebnisse/Kompetenzen: |
| Fachkompetenzen: |
- Die Studierendenden können praktische Fragestellungen so analysieren, dass sie daraus ein geeignetes maschinell verarbeitbares Modell ableiten können.
- Die Studierenden können die behandelten Algorithmen sowohl selbst in einer Standardprogrammiersprache implementieren als auch entsprechende Frameworks zielgerichtet auswählen und konfigurieren
- Die Studierenden können ausgehend von einer Anforderungsbeschreibung klar zwischen dafür grundsätzlich geeigneten und weniger geeigneten Verfahren differenzieren.
- Die Studierenden können eingesetzte Verfahren in praxistypischen Kontext fundiert bewerten. Dabei setzen Sie sowohl ihr Wissen über die bekannten, theoretischen Eigenschaften der Verfahren, wie auch statistische Testmethoden zielgerichtet und aussagekräftig ein.
|
| Fachübergreifende Kompetenzen: | Die Studierenden können auch komplexe Algortihmen ausgehend von einer allgemeinen Beschreibung für eine konkrete, praxisrelevante und in der Literatur in der notwendigen Form noch nicht behandelte Aufgabenstellung implementieren. |
|
| Notwendige Voraussetzungen für die Teilnahme: |
- Modul "Maschinelles Lernen" (nur wegen der darin erreichten Kompetenz zum statistischen Testen)
- Programmierung in einer Standardprogrammiersprache, Grundlegende Fertigkeiten der Softwaretechnik und Dynamisches Testen funktionaler Anforderungen. Verstehendes Lesen englischsprachiger Texte.
|
| Empfohlene Voraussetzungen für die Teilnahme: | keine |
|
| Literatur: | Aktuelle Literaturlisten werden auf der OPAL-Seite zur Lehrveranstaltung angegeben. |
