Computational Intelligence (CI) bezeichnet ein Teilgebiet der Künstlichen Intelligenz, das biologische inspirierte Modelle algorithmisch umsetzt. Evolutionäre Algorithmen orientieren sich an der darwinistischen Evolution und suchen mit Hilfe von Crossover, Mutation und Selektion eine optimale Lösung. Die Fuzzy-Logik ermöglicht als unscharfe Logik eine kognitive Modellierung von Wissen und Inferenzprozessen. Neuronale Netze imitieren funktionale Aspekte des Gehirns für Aufgaben wie Klassifikation und Mustererkennung. Neuere Ansätze der CI wie Reinforcement Learning ermöglichen, das Verhalten künstlicher Agenten in unbekannten Umgebungen zu steuern. Die Schwarmintelligenz modelliert Algorithmen, die auf Basis vieler einfacher Komponenten intelligente Leistungen vollführen. Zu guter Letzt lösen künstliche Immunsysteme eine Reihe von Problemen, ähnlich wie ihr biologisches Pendant. Ein kompakter und übersichtlicher mit vielen Beispielen gespickter Einstieg in die verschiedenen Verfahren der CI.

Übersicht über die wichtigsten CI-Methoden Lernen der dahinter stehenden Konzepte Wiederholung für Wissenschaftler in Kernbereichen und Weiterbildung in Nachbarbereichen Ausgangpunkt für intensivierte Literaturrecherche Includes supplementary material: sn.pub/extras

Klappentext

Computational Intelligence (CI) ist ein Teilgebiet der Künstlichen Intelligenz, das biologisch inspirierte Modelle algorithmisch umsetzt. So orientieren sich z. B. evolutionäre Algorithmen an der darwinistischen Evolution und suchen mit Hilfe von Crossover, Mutation und Selektion eine optimale Lösung. Neuere Ansätze dienen dazu, das Verhalten künstlicher Agenten in unbekannten Umgebungen zu steuern. Der Band bietet einen kompakten Überblick über die verschiedenen CI-Methoden und die dahinter stehenden Konzepte sowie Übungsaufgaben zur Vertiefung.

Inhalt