Veranstaltungsarten (SWS)
Vorlesung: 2 │ Übung: 2 │ Praktikum: 0 │ Seminar: 0
Prüfungsnummer: ZKD 30003
Lehrform:

 

Sprache: Deutsch
Turnus: SS
ECTS: 6
Prüfungsleistung Klausur (120 min.)
zugeordnete Studiengänge
zugeordnete Personen
zugeordnete Module
Informationen
Beschreibung:

Im mittlerweile 50 Jahre alten Forschungsbereich ‘Künstliche Intelligenz‘ bemühen sich Wissenschaftler aus aller Welt, Computersysteme zu realisieren, die ‘intelligente‘ Fähigkeiten besitzen. Umstritten ist nach wie vor, wie der Begriff Intelligenz genau zu definieren ist. In Computeranwendungen muss dieses Wissen in geeigneter Weise dargestellt und verarbeitet werden. Die Veranstaltung behandelt hierzu auch Anwendungsbeispiele.

Inhalte im Einzelnen:
- Geschichte der künstlichen Intelligenz
- Definition von Intelligenz
- Agenten
- Agentenarchitekturen
- Eigenschaften von Umgebungen
- Suche
- Uninformierte Suche (BFS, DFS)
- Informierte Suche (Greedy, A*)
- Lokale Suche (Genetische Algorithmen)
- Ungewissheit / Probabilistische Modelle
- Machine Learning
- Klassifikation (Naive Bayes, Decision Trees)
- Clustering
- Regression
- Evaluierung
- Anwendungen von KI (Sprachverarbeitung, Bildanalyse, etc.)

Lernziele:

Die Studierenden lernen verschiedene Definitionen von "Künstlicher Intelligenz" kennen, sowie verschiedene Ansätze zur Wissensrepräsentation im Computer. Sie erlangen ein Grundverständnis wie anhand verschiedener Einsatzgebiete dieses Wissen maschinell verarbeitet wird mit Hinblick auf die Realisierung von Systemen der künstlichen Intelligenz.

Literatur:

- Stuart J. Russell, Peter Norvig: Künstliche Intelligenz. Ein moderner Ansatz. Pearson Studium 2004
- Daniel Jurafsky and James H. Martin. Speech and Language Processing. An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. Second Edition. Prentice-Hall, 2008
- Peter Flach. Machine Learning: The Art and Science of Algorithms that Make Sense of Data. First Edition. Cambridge University Press, 2012

Vorleistung:
Infolink:
Bemerkung:
Description:

For more than 50 years, researchers have been trying to build systems that are "intelligent". However, the exact definition of "intelligence" is still highly disputed. In order to operationalize "artificial intelligence", the computer needs to represent knowledge in some way. In this lecture, we will learn how artificial intelligence can be achieved. For this purpose, we will examine a wide range of practical application.

Detailed Contents:
- History of AI
- Definition of Intelligence
- Agents
- Agent Architectures
- Properties of Environments
- Search
- Uninformed Search (BFS, DFS)
- Informed Search (Greedy, A*)
- Local Search (Genetic Algorithms)
- Uncertainty / Probabilistic Models
- Machine Learning
- Classification (Naive Bayes, Decision Trees)
- Clustering
- Regression
- Evaluation
- Applications of AI (Language processing, image analysis, etc.)

Learning Targets:

Students learn about different definitions of "Artificial Intelligence" as well as approaches for representing knowledge in a computer.
They understand - based on several application areas - how knowledge can be automatically processed with the goal of building systems that can be considered intelligent.

Literature:

- Stuart J. Russell, Peter Norvig: Künstliche Intelligenz. Ein moderner Ansatz. Pearson Studium 2004
- Daniel Jurafsky and James H. Martin. Speech and Language Processing. An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition. Second Edition. Prentice-Hall, 2008
- Peter Flach. Machine Learning: The Art and Science of Algorithms that Make Sense of Data. First Edition. Cambridge University Press, 2012

Pre-Qualifications:
Info Link:
Notice: