Simulation and Artificial Intelligence

10

Simulation and
Artificial
Intelligence

2

Prof. Walter Fedderwitz
Prof. Waldemar Czuchra

Vorlesung
Labor

2
2

6

Projekt

25.02.05

- Simulation and Optimization Vorlesung und Labor (je 1 SWS)
- Data Mining Vorlesung und Labor (je 1 SWS)

Die Studierenden werden anhand von Anwendungsbeispielen aus dem Bereich Transport, Umschlag sowie des innerbetrieblichen Materialflusses mit dem Aufbau, dem Ablauf und der Anwendung von Simulationssystemen vertraut gemacht.

Planung und Optimierung betrieblicher Abläufe (Warenflüsse, Lagerorganisation, Fuhrpark, Personal) sind Grundgerüst des Logistikers. Aus methodischer Sicht handelt es sich um miteinander wechselwirkende, meistens stochastisch zu beschreibende (Wartezeiten, Bearbeitungszeiten, Störungen) Prozesse.

Entdecken und gewinnen systematischer Zusammenhänge in großen Datenmengen (Verkaufszahlen, Lagerbelegungen, Transportleistungen) ist eine Basistechnologie zur Gewinnung von Aussagen, die sich in Folge zur Steuerung unternehmerischen Handelns nutzen lässt.

Es werden die Vorgehensweisen , Methoden und Techniken des Data Mining vermittelt. Die Studierenden werden in die Lage versetzt selbst Informationsgewinnung aus großem Datenmaterial in praxisrelevanten Situationen zu betreiben.

Unter Informationen werden dabei solche interessanten Muster verstanden, die allgemein gültig sind, nicht trivial, neu, nützlich und verständlich sind.

Das Modul wird in Englisch angeboten.

Simulation and Optimization

- Rekapitulation der notwendigen mathematischen Grundlagen
- Die Realisierung einer Simulations- und Optimierungsaufgabe mit Hilfe
  eines modernen Simulationswerkzeuges – Einweisung in das Werkzeug
- Die Verknüpfung zwischen Simulationsexperiment und theoretischen
  Überlegungen zur stochastischen Modellierung
- Realisierung eines eigenen Projektes, seine Auswertung und Optimierung

Lehrinhalte Data Mining

- Einführung in die Problematik des Data Mining (Vorbereitung der Daten,
  Mustererkennung, Nachbereitung)
- Techniken des Data Mining (Klassifikation, Entscheidungsbäume,
  Clustering, neuronale Netze)
- Praktische Einführung in ein Data Mining-Werkzeug - CLEMENTINE

jährlich

Simulation and Optimization

- Skripte der Vorlesung Mathematik I und Mathematik II
- J. Kohlas, Stochastische Methoden des Operations Research,
  Teubner, 1977
- Bronstein, Semendjajew, Musiol, Mühlig: Taschenbuch der Mathematik,
  Verlag Harry Deutsch, Thun und Frankfurt am Main, 2000, 5. Auflage
- Fisz, Wahrscheinlichkeitsrechnung und mathematische Statistik,
  VEB Verlag der Wissenschaften, Berlin, 1970
- Eduard Pestel, Technische Mechanik, BI, 1969
- Richard Becker, Vorstufe zur Theoretischen Physik, Springer, 1972
- S. Großmann, Mathematischer Einführungskurs in die Physik,
  Teubner, 1984
- Gerhard Hübner, Stochastik, Vieweg Verlag, 1996
- U. Kiencke, Ereignisdiskrete Systeme, Oldenbourg, 1998
- M.R. Schroeder, Number Theory in Science and Communication,
  Springer Verlag, 2nd. ed. 1986
- Press, Teukolsky, Vetterling, Flannery: Numerical Recipes in C,
  Cambridge University Press, 2nd ed, 1992
- Stephen Wolfram, Mathematica, 4th ed, Wolfram Research Inc, (dies ist nicht
  primär ein Buch, sondern ein Computer-Algebrasystem. Wer einen
  TI-92 Taschenrechner kennt oder hat, hat eine Vorstellung davon, was das
  ist. Ansonsten besuchen SieWolfram Research im Indernett)
- eth Eidgenössische Technische Hochschule Zürich : 1. www.cc.ethz.ch
- W.H. Press, S.A. Teutowsky, W.T.Vettering, B.R.Flannery Numerical Recipes
  in c Cambridge University Press, 1992, Second Edittion

Data Mining

- Clementine 8.0 User’s Guide – SPSS Inc., 2003
- M.J.A. Berry, G. Linoff – Data Mining Techniques, John Wiley & Sons,
  Inc. 1997
- Ian H. Witten, Eibe Frank: Data Mining, Hanser Verlag, 2001