Springe zum Hauptinhalt

Professur Künstliche Intelligenz

Inhalte

Einführung in das Gebiet der Künstlichen Intelligenz unter Bearbeitung folgender Themen:

  • Intelligente Agenten
  • Problemformulierung und Problemtypen
  • Problemlösen durch Suchen
  • Problemlösen durch Optimieren
  • Logik erster Ordnung, Inferenzen und Planen
  • Probabilistische Methoden
  • Neuronale Netze
  • Informationstheorie
  • Lernen von Entscheidungsbäumen

Randbedingungen

Empfohlene Voraussetzungen: Grundkenntnisse Mathematik I bis IV

Prüfung: 90-minütige Klausur, 5 Leistungspunkte

Literatur

James L. McClelland: Is a Machine Realization of Truly Human-Like Intelligence Achievable?

Folien zur Vorlesung

Kapitel 1 - Einführung
Kapitel 2 - Begriffe
Kapitel 3 - Suchen, Spielen, Probleme-Lösen
Kapitel 4 - Constraintprobleme
Kapitel 5 - Logik
Kapitel 6 - Optimierung
Kapitel 7 - Bayes Schätzverfahren
Kapitel 8 - Informationstheorie
Kapitel 9 - Lernen von Entscheidungsbäumen
Kapitel 10 - Neuronale Netze
Kapitel 11 - Bayes Netze und EM-Algorithmus (update)

Übungsaufgaben

Kapitel 3 - Blinde Suchverfahren (20.04., 27.04.)
Kapitel 3 - Heuristische Suchverfahren (04.05.)
Kapitel 3 - Spielbäume, Mini Max, Alpha Beta (11.05.)
Kapitel 4 - Constraintprobleme (18.05.)
Kapitel 5 - Logik (25.05., 01.06)
Kapitel 6 - Optimierung (08/15.06)
Kapitel 7 - Wahrscheinlichkeiten, Maximum Likelihood, Bayesian Schätzer (22.06)
Kapitel 8 - Informationstheorie (29.06)
Kapitel 9 - Entscheidungsbäume (29.06)
Kapitel 10 - Neuronale Netze (06.07)
Kapitel 11 - Bayes Netze (13.07)

Ausgewählte Lösungen zu den Übungen

Kapitel 4 - Aufgabe 2c - Kryptoarithmetik als Constraintproblem
Kapitel 6 - Aufgaben 3, 6, 7, 8 - Optimierung
Kapitel 7 - Aufgaben 5, 8, 9, 10 - Wahrscheinlichkeit
Kapitel 8 - Informationstheorie
Kapitel 9 - Entscheidungsbäume
Kapitel 10 - Neuronale Netze
Kapitel 11 - Bayes Netze