Einführung in die Künstliche Intelligenz

Documents

Slides

Einführung (Version 2.1)
Intelligente Agenten (Version 2.1)
Problemlösende Agenten / Suchstrategien (Version 2.2)
Wissensbasierte Systeme und Logik (Version 2.2)
Semantic Web (Version 1.0)
Schließen mit Unsicherheit (Version 2.3)
Maschinelles Lernen Teil 1 (Version 2.1)
Maschinelles Lernen Teil 2 (Version 2.1)

Übung zu Neuronalen Netzen mit Weka
...Dokumentliste wird jeweils vor den entsprechenden Vorlesungen erweitert

Handouts (Contain Notes)

Beispieldaten Skifahren
Beispieldaten Kreditwürdigkeit
Beschreibung der Kredit-Daten

Exercises

Matlab Einführung

Übung 1: Produktempfehlungen
Matlab Lösungen

Übung 2: Suche des besten Pfades
Erzeugen der Topologie: generateTopo.m
Matlab Lösungen

Übung 3: Optimierung mit Genetischem Algorithmus
Matlab Lösung

Übung 4: Hierarchisches Clustering
Matlab Lösung
dendro.m : Darstellung des Dendrogramm

Übung 5: Mustererkennung mit Neuronal Hopfield Net
Matlab Lösung

Matlab Programm: Demo Perceptron Lernregel
perceptronLearnDemo.m

Übungsaufgaben zur Prüfungsvorbereitung
Übungsaufgaben mit Lösung

KI Klausur WS 08/09

Additional Reading

General Information on the Lecture, Term WS 09/10:

EDV Nr.	21307
Date:	Di 8.15h-11.30h
Room:	135
SWS/ECTS:	4/6

Contents
(English Version will be available soon)
Die KI entwickelt und erforscht Methoden, die intelligentes Verhalten von Maschinen ermöglichen. Unter Maschine kann hierbei sowohl Hardware (z.B. ein Roboter) oder Software verstanden werden. Der Begriff Maschine wird im Zusammenhang mit der KI auch häufig mit dem Begriff intelligenter Agent konkretisiert. Darunter versteht man allgemein ein System, das seine Umgebung wahrnimmt und unter Einsatz seiner Intelligenz in dieser Umgebung entsprechende Aktionen ausführt. Was ist nun Intelligenz? Leider gibt es keine eindeutige Definition für diesen Begriff. Zu der Intelligenz, die man in der KI für den maschinellen Einsatz nachzubilden versucht, werden grob folgende Grundzüge gezählt:

Die Repräsentation von Wissen und das Schließen (Ableiten) von neuem Wissen aus bereits vorhandenem Wissen und neuen Wahrnehmungen
Das Lösen von Problemen, insbesondere dann wenn der Weg vom Ausgangsproblem zum Ziel nur über mehrere Entscheidungsschritte erreicht werden kann. In der KI wird zwischen Problemlösung und Planen unterschieden. Die relativ einfachen Prinzipien, die für die Problemlösung zum Einsatz kommen, werden im Fall des Planens derart erweitert, dass insbesondere in sehr komplexen Umgebungen Ziele deutlich effizienter gefunden werden können.
Der Umgang mit unsicherem Wissen. Dazu gehört, dass im Fall wo kein vollständiges Wissen vorliegt eine Lösung gefunden wird, welche mit größter Wahrscheinlichkeit zum Erfolg führt
Das Lernen

Diese Grundzüge der Intelligenz definieren auch die Struktur der Vorlesung Einführung in die künstliche Intelligenz:

Zunächst wird das Konzept intelligenter Agenten und eine Vorstellung der wichtigsten Typen intelligenter Agenten vorgestellt (1 Vorlesung)
Im Kapitel Problemlösung wird dann die Beschreibung von Problemen und die Suche nach Lösungen im Zustandsraum vorgestellt. Wesentlicher Bestandteil sind hier verschiedene globale und lokale Suchalgorithmen wie z.B. die A*-Suche oder der genetische Algorithmus (2 Vorlesungen)
Mit der Frage wie Wissen repräsentiert werden kann und wie aus vorhandenem Wissen neues Wissen und Aktionen abgeleitet werden können befasst sich das folgende Kapitel. Im Mittelpunkt stehen hierbei die Mittel die hierfür von der Aussagenlogik und von der Prädikatenlogik bereitgestellt werden. (3 Vorlesungen)
Wie intelligente Agenten basierend auf ihrem Wissen Entscheidungen treffen wird vornehmlich anhand der sogenannten Entscheidungsbäume vorgestellt. (1 Vorlesung)
Im Fall unsicheren Wissens werden statistische Methoden für die effiziente Entscheidungsfindung eingesetzt. Statistik, Wahrscheinlichkeitsrechnung und die für die Entscheidungsfindung vornehmlich eingesetzten Bayes-Netze bilden den Inhalt eines weiteren Kapitels ( 2 Vorlesungen)
Im letzten Block wird das Thema Lernen ausführlich vorgestellt. Unterschieden wird hierbei in
- überwachtes Lernen
- unüberwachtes Lernen
- verstärkendes Lernen
Hierbei wird unter anderem erklärt wie ein Entscheidungsbaum oder ein Bayes-Netz gelernt werden können. Wesentlicher Bestandteil in diesem Block sind die neuronalen Netze ( 4 Vorlesungen)

Aufgrund des interdisziplinären Charakters der KI werden die Methoden in ihrer allgemeinen Form vorgestellt, also nicht auf eine konkrete Anwendung bezogen. Für das Verständnis der Methoden sind Grundlagen aus der Logik, der Statistik, der Wahrscheinlichkeitsrechnung und der linearen Algebra erforderlich. Diese Grundlagen werden in der Vorlesung an den Stellen wo sie gebraucht werden rudimentär vorgestellt. Mögliche Anwendungen der KI werden vornehmlich in den die Vorlesung begleitenden Übungen erschlossen. Umfang von Vorlesung und Übung stehen ungefähr im Verhältnis 3:1. In der Übung sollen die Studenten die erlernten Verfahren insbesondere für Data Mining Anwendungen teilweise selbst implementieren und analysieren. Neben dem Anwendungsfeld Data Mining wird auch der Einsatz der KI-Methoden in der Mustererkennung, beim Erstellen von (Nutzer)profilen, in Suchmaschinen oder in Diagnosesystemen beleuchtet. Die Vorlesung orientiert sich im wesentlichen an dem international wohl am häufigsten eingesetzten Standard-Lehrbuch Künstliche Intelligenz - Ein moderner Ansatz von Stuart Rusell und Peter Norvig. Mit dieser Ausrichtung soll dem Anspruch der Vorlesung Rechnung getragen werden, die Grundlagen der KI nach einem von sämtlichen internationalen Universitäten und Hochschulen angewandten Quasi-Standard zu vermitteln.

Announcements

06.10.2009: First lesson in this term