Zurück zur Übersicht


INFM  P: Künstliche Intelligenz III SG INF
Dozent : Prof. Dr.-Ing. Jochen Heinsohn    eMail
Dipl.-Inform. Ingo Boersch    eMail
Semester 3
Einordnung : Informatik Master, Projekte Informatik SWS 3
Sprache : Deutsch Art L
Prüfungsart : PL  Credits
Prüfungsform : Belegarbeit mit mdl. Prüfungsgespräch 
Voraussetzungen :
Querverweise :  
Vorkenntnisse :  
Hilfsmittel und Besonderheiten :  
Lehrziele :  
Lehrinhalte :

1. Teilprojekt Autonomes Segelboot

Möglichkeit zur Masterarbeit: ja
Vorkenntnisse: Autonome Mobile Systeme, Grundlagen der Wissensverarbeitung, Programmierung

Die Smaragd ist ein autonomes Segelboot mit Windmesser, GPS, Kompass und zukünftig Tiefenmesser, das im Sommer 2012 seine ersten Testfahrten unternommen hat, ein zweites Boot ist im Bau. Es wird gesteuert über einen Onboard-Rechner, der Segel- und Ruderstellung beeinflusst. In der aktuellen Projektphase steht die Programmierung einfacher Pilotfähigkeiten an, wie Kompasskurs oder hart am Wind fahren, aber auch Navigationsaufgaben, wie Planung des schnellsten Weges. Fernziel ist die autonome, ernergieeffiziente Navigation anhand vorgegebener GPS-Punkte. Im Projekt sind auch hardwarenahe Aspekte zu bearbeiten.

Literatur: Müller, Robert: Konzeption eines autonomen Segelboots und Realisierung eines Reaktions-Prototypen, Diplomarbeit FH Brandenburg 2011, http://ots.fh-brandenburg.de/diplomarbeit-von-robert-muller.html

2. Teilprojekt Data Mining

Teilnehmer: 2-4 Studierende
Möglichkeit zur Masterarbeit: ja
Vorkenntnisse: Grundlagen der Wissensverarbeitung, Interesse an maschinellem Lernen

Data Mining ist die Gewinnung bislang unbekannter und nützlicher Informationen aus Datenmengen. Im Projekt lernen Sie verschiedene Methoden und Aspekte der Suche nach Regelmäßigkeiten in Datenmengen kennen und wenden diese praxisnah an. Dabei ist es erstaunlich, wie gut bereits einfache Algorithmen interessante Regeln entdecken können. Reale Datenmengen im Projekt stammen aus dem medizinischen, sozialen und auch industriellen Bereich und sind in der Regel mit konkreten Kundenwünschen verknüpft. Das Anwendungsproblem und die Beschaffenheit der Daten entscheiden, ob eher die Bestimmung relevanter Merkmale, die Modellierung von Zusammenhängen oder bspw. die Visualisierung im Vordergrund steht.

Literatur: Witten, Ian H. ; Frank, Eibe: Data Mining. Praktische Werkzeuge und Techniken für das maschinelle Lernen. Hanser Fachbuch, 2001 (12 Exemplare in der Bibliothek)  

Literatur :  


Zurück zur Übersicht