Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage 

• Self-Organizing Maps zu trainieren
• geeignete Visualisierungen für die SOM auszuwählen und zu kombinieren
• anhand der vorliegenden Visualisierungen Muster in den Daten zu erkennen und Hypothesen zur Clusterstruktur zu erstellen
• Strukturen zu interpretieren und kritisch zu hinterfragen
• Die Funktionsweise von genetischen Algorithmen, Zellulären Automaten und Ant Colony Systemen zu verstehen, und deren Einsatzgebiete zu erkennen
• Funktionsweise verschiedener Swarm Intelligence Systeme zu beschreiben und ahnhand ihrer Stärken und Schwächen Problemdomänen zu zuordnen
• Particle Swarm Optimization Algorithm für eine bestimmte Optimierunsaufgabe zu implementieren und sein Parameter entsprechend zu tunen 
• Die grundlegende Methodik und Einsatzbereiche von Swarm Robotic aufzufassen und nachvollziehen 

Unueberwachte und selbst-organisierende Lernverfahren, wie z.B. Self-Organizing Maps, Growing Hierarchical Structures, Zellulaere Automaten, 

Vortragstermine WS 2020/21 (on-line):

• 8.10.: Vorbesprechung (10:15), https://tuwien.zoom.us/j/97603076485?pwd=Rk1wMzN4c2Nhc2VSbWxKWlQwSW9Cdz09
• TBA.: Genetic Algorithms, Cellular Automata, Swarms Grundlagen
• TBA.: Mutli-Agent Systems
• TBA.: Swarm Systems 1
• TBA.: Swarm Systems 2
• TBA.: SOM - Teil 1: Grundlagen, Architekturen, Trainingsmethoden
• TBA.: SOM - Teil 2: Visualisierung,
• TBA.: SOM - Teil 3: Visualisierung, Qualitätsmaße, verwandte Architekturen

ECTS/Aufwand:

Vorlesung: 8 Einheiten a 2h: 16h

Literatur: 10h

Übungsbeispiele:

    Ex1: 20h

    Ex2: 20h

    Ex3: 20h

Vorbereitung Prüfung: 25,5h

Prüfung: 1h

SUMME: 112.5h

- Vortrag (on-line, live-streaming)

- Demonstrationen und Beispiele zur Diskussion

- praktische Übungen in Kleingruppen

- Schriftliche Abschlussprüfung

- Bewertung praktischer Übungen durch Abgaben und tlw. Abgabegespräche