Einführung Künstliche Intelligenz
| Vorlesung: | Montag, | 11.30 - 13.00, A10.305 (1/305) | (Prof. M. Ragni) |
| Übung (Englisch): | Montag, | 15.30 - 17.00, A10.309 (1/309) | (Dr. M. Teichmann) |
| Übung: | Dienstag, | 11.30 - 13.00, A10.375 (1/375) | (Dr. M. Teichmann) |
| Übung: | Freitag, | 11.30 - 13.00, A10.309 (1/309) | (Dr. M. Teichmann) |
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 - EinführungKapitel 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) |
