Kurs: Künstliche Intelligenz

Was du in 10 Einheiten lernst

1. 1

   Intelligente Agenten

   Hier starten

   Beschreibe, was KI ist, modelliere Probleme als Agenten, die in Umgebungen handeln, und formuliere Zustandsräume, Aktionen und Ziele.

   5 Lernziele

   Was du lernst

   1. 1.Erkläre, was künstliche Intelligenz ist und wie sich das Fachgebiet entwickelt hat
   2. 2.Beschreibe Agenten, Umgebungen und rationales Verhalten
   3. 3.Klassifiziere Aufgabenumgebungen
   4. 4.Vergleiche Agentenarchitekturen
   5. 5.Formuliere Probleme als Suche im Zustandsraum
2. 2

   Uninformierte und informierte Suche

   Löse Probleme mit Breitensuche, uniformer Kostensuche und A*, entwickle zulässige Heuristiken und nutze lokale Suche für sehr große Zustandsräume.

   5 Lernziele

   Was du lernst

   1. 1.Formuliere Probleme als Suchprobleme und beurteile Suchalgorithmen
   2. 2.Suche ohne Fachwissen über das Problemgebiet
   3. 3.Suche mit Heuristiken: gierige Bestensuche und A*
   4. 4.Entwickle und bewerte Heuristiken
   5. 5.Nutze lokale Suche für sehr große Zustandsräume
3. 3

   Constraint-Erfüllungsprobleme

   Formuliere Ablaufplanungs- und Zuordnungsprobleme als Constraint-Erfüllungsprobleme und löse sie mit Backtracking, Constraint-Propagation und Heuristiken für die Reihenfolge.

   5 Lernziele

   Was du lernst

   1. 1.Formuliere Probleme als Constraint-Erfüllungsprobleme
   2. 2.Löse CSPs mit Backtracking-Suche
   3. 3.Verkleinere Wertebereiche durch Constraint-Propagation
   4. 4.Löse CSPs mit lokaler Suche
   5. 5.Nutze die Struktur eines Problems
4. 4

   Adversarielle Suche

   Wähle Züge in Spielen mit Minimax, Alpha-Beta-Beschneidung und Expectimax und entwirf Bewertungsfunktionen.

   6 Lernziele

   Was du lernst

   1. 1.Beschreibe Spiele als Suchprobleme und zeichne ihre Spielbäume
   2. 2.Wähle mit Minimax optimale Züge
   3. 3.Beschleunige Minimax durch Alpha-Beta-Beschneidung
   4. 4.Spiele mithilfe von Bewertungsfunktionen auch unter Zeitbeschränkungen gut
   5. 5.Wähle Züge bei Zufallseinflüssen
   6. 6.Durchsuche große Spielbäume mit Monte-Carlo-Baumsuche
5. 5

   Logische Agenten und Planung

   Stelle Wissen in Aussagenlogik und Prädikatenlogik erster Stufe dar, ziehe Schlussfolgerungen und formuliere klassische Planungsprobleme.

   6 Lernziele

   Was du lernst

   1. 1.Stelle das Wissen eines Agenten in Aussagenlogik dar
   2. 2.Beweise Schlussfolgerungen mit aussagenlogischer Inferenz und SAT-Lösern
   3. 3.Stelle Wissen in Prädikatenlogik erster Stufe dar
   4. 4.Ziehe Schlussfolgerungen in Prädikatenlogik erster Stufe
   5. 5.Ordne Wissen in Ontologien und Wissensgraphen
   6. 6.Formuliere und löse klassische Planungsprobleme
6. 6

   Bayessche Netze

   Ziehe Schlussfolgerungen bei Unsicherheit mit Wahrscheinlichkeiten und dem Satz von Bayes, stelle Abhängigkeiten in bayesschen Netzen dar und berechne Ergebnisse durch exakte Inferenz und Stichprobenziehung.

   5 Lernziele

   Was du lernst

   1. 1.Ziehe Schlussfolgerungen mit Wahrscheinlichkeiten, dem Satz von Bayes und Unabhängigkeit
   2. 2.Stelle Abhängigkeiten mit bayesschen Netzen dar
   3. 3.Berechne exakte Ergebnisse durch Aufzählung und Variablenelimination
   4. 4.Bestimme Näherungsergebnisse durch Stichprobenziehung
   5. 5.Triff Entscheidungen anhand von Nutzen, Entscheidungsnetzen und dem Wert von Information
7. 7

   Versteckte Markov-Modelle

   Modelliere veränderliche Systeme mit Markov-Ketten und versteckten Markov-Modellen und verfolge verborgene Zustände mit Filterung und Partikelfiltern.

   5 Lernziele

   Was du lernst

   1. 1.Modelliere ein veränderliches System mit einer Markov-Kette
   2. 2.Stelle verborgene Zustände mit versteckten Markov-Modellen dar
   3. 3.Schließe aus einer Beobachtungsfolge auf verborgene Zustände
   4. 4.Nähere die Filterung mit Partikelfiltern an
   5. 5.Wende zeitliche Modelle auf Objektverfolgung und Spracherkennung an
8. 8

   Markov-Entscheidungsprozesse

   Modelliere sequenzielle Entscheidungen als Markov-Entscheidungsprozesse, löse sie mit Wertiteration und Strategieiteration und lerne mit Q-Lernen Strategien aus Erfahrung.

   5 Lernziele

   Was du lernst

   1. 1.Modelliere sequenzielle Entscheidungen als Markov-Entscheidungsprozesse
   2. 2.Drücke Werte durch Bellman-Gleichungen aus
   3. 3.Löse bekannte MDPs mit dynamischer Programmierung
   4. 4.Lerne einen unbekannten MDP anhand von Erfahrungen kennen
   5. 5.Lerne durch Q-Lernen und Exploration, Aktionen auszuwählen
9. 9

   Lernen aus Daten und neuronale Netze

   Trainiere einfache Klassifikatoren wie Naive Bayes, Perzeptronen und logistische Regression und erkläre, wie neuronale Netze mit Gradientenabstieg lernen.

   6 Lernziele

   Was du lernst

   1. 1.Formuliere ein Problem des überwachten Lernens
   2. 2.Klassifiziere mit Naive Bayes
   3. 3.Trainiere lineare Klassifikatoren
   4. 4.Optimiere Modelle durch Gradientenabstieg
   5. 5.Erstelle und trainiere neuronale Netze
   6. 6.Erkenne und begrenze Überanpassung
10. 10

    KI-Ethik

    Beurteile KI-Systeme auf Risiken für Fairness, Transparenz, Privatsphäre und Sicherheit und erkläre, wie Regulierung und Governance-Rahmenwerke diese Risiken steuern.

    6 Lernziele

    Was du lernst

    1. 1.Analysiere ein KI-System aus ethischer Sicht
    2. 2.Erkenne, miss und verringere diskriminierende Verzerrungen
    3. 3.Gestalte KI-Systeme transparent und schütze die Privatsphäre
    4. 4.Gestalte KI-Systeme sicher, robust und an menschlichen Absichten und Werten ausgerichtet
    5. 5.Beurteile die Auswirkungen von KI auf Gesellschaft und Arbeitswelt
    6. 6.Erkläre, wie KI-Risiken durch Regulierung und Governance-Rahmenwerke gesteuert werden