Navigation

Inhalt Hotkeys

Künstliche Intelligenz

Künstliche Intelligenz

Sommersemester 2017

Vorlesung: Montag, 15.30 - 17.00, 1/219 (Prof. Hamker)
Übung: Montag, 17.15 - 18.45, 1/367a (Dr. Vitay)
Übung: Freitag, 11.30 - 13.00, 1/367a (Dr. Vitay)

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

Konsultation

Freitag 04.08.2017 13:30 - 15:00 , 1/305.

Literatur

Folien zur Vorlesung

01 - Einführung (pdf)
02 - Suchen, Spielen, Probleme lösen (pdf)
03 - Constraintprobleme (pdf)
04 - Optimierung (pdf)
05 - Neuronale Netze (pdf)
06 - Wahrscheinlichkeitstheorie (pdf)
07 - Informationstheorie (pdf)
08 - Lernen von Entscheidungsbäumen (pdf)
09 - Statistik, Schätzer (pdf)
10 - Planen (pdf)
11 - Reinforcement Lernen (pdf)
12 - Bayes Netze (pdf)

Slides

01 - Introduction (pdf)
02 - Search, Games and Problem Solving (pdf)
03 - Constraint problems (pdf)
04 - Optimization (pdf)
05 - Neural Networks (pdf)
06 - Probability Theory (pdf)
07 - Information Theory (pdf)
08 - Decision Trees (pdf)
09 - Statistics Estimator (pdf)
10 - Planning (pdf)
11 - Reinforcement Learning (pdf)
12 - Bayesian Networks (pdf)

Übungsaufgaben

01 - Problemformulierung, Zustandsgraph (pdf). Lösung (pdf).
02 - Problemformulierung, Blinde Suchverfahren (pdf). Lösung (pdf).
03 - Heuristische Suchverfahren (pdf). Lösung (pdf).
04 - Spielbäume, Mini Max, Alpha Beta (pdf). Lösung (pdf).
05 - Constraintprobleme (pdf). Lösung (pdf).
06 - Optimieren(pdf). Lösung (pdf).
07 - Neuronale Netze (pdf). Lösung (pdf).
08 - Wahrscheinlichkeiten (pdf). Lösung (pdf).
09 - Informationstheorie (pdf). Lösung (pdf).
10 - Lernen von Entscheidungsbäumen (pdf). Lösung (pdf).
11 - Bayes Netze (pdf). Lösung (pdf).
12 - Reinforcement Lernen (pdf). Lösung (pdf).


Exercises

01 - Problem formulation, States graph (pdf). Solution (pdf).
02 - Problem formulation, Blind search (pdf). Solution (pdf).
03 - Heuristical search (pdf). Solution (pdf).
04 - Game trees, Mini max, Alpha Beta (pdf). Solution (pdf).
05 - Constraint problems (pdf). Solution (pdf).
06 - Optimisation (pdf). Solution (pdf).
07 - Neural networks (pdf). Solution (pdf).
08 - Probabilities (pdf). Solution (pdf).
09 - Information theory (pdf). Solution (pdf).
10 - Learning decision trees (pdf). Solution (pdf).
11 - Bayesian networks (pdf). Solution (pdf).
12 - Reinforcement Learning (pdf). Solution (pdf).


Presseartikel

  • Neurologisch vernetzt

    Das Smart Start-Programm ermöglicht Masterstudenten ab September einen Einblick in Labore in ganz Deutschland – Auch TU-Student Alex Schwarz profitiert davon …

  • Wissbegierige Schüler weiter auf Erfolgskurs

    Zwei von der TU betreute Gymnasiasten errangen am 29. März 2014 Fachgebietssiege beim sächsischen Landeswettbewerb "Jugend forscht" und lösten damit ihre Fahrkarten zum Bundesfinale …

  • Ein Fest in Talar und Barett

    Am 4. November 2017 findet die nächste Graduiertenfeier der TU Chemnitz statt – die Anmeldung ist bis 15. Oktober möglich …