Grundlagen der Künstlichen Intelligenz: Unterschied zwischen den Versionen

Version vom 11. März 2006, 02:14 Uhr

Klausuren

Grundlagen der kuenstlichen Intelligenz ist eine Basisveranstaltung im Fachgebiet Methoden der KI (Studiengebiet KI).

Inhalt

Einführung: "Was ist künstliche Intelligenz?", Ggschichtlicher Überblick, intelligente Softwareagenten
Problemlösen und Suche: Problemformulierung, Lösungssuche, informierte Suche, Constraint Satisfaction Problems (CSPs)
Planen: STRIPS, Planungsalgorithmen
Logikbasierte Agenten: Agenten basierend auf Aussagenlogik und Prädikatenlogik
Belief Revision: Truth Maintenance Systems (TMS), Justification-based TMS (ATMS), Assumption-based TMSS (JTMS)
Modallogik: Belief, Desire, Intention, BDI Agenten
Bayes Netze: probabilistische Inferenz, DAGs, Decomposable Undirected Graphs, Junction Trees
Hidden Markov Modelle
konnektionistisches Neuron
Multi-Lagen-Perzeptron: Architektur,Lernen,Prädiktion
Probabilistische Verfahren: Generative Modelle, Bayessche Verfahren, MAP-Methode, Kostenfunktionen
Einführung in die statistische Lerntheorie: Empirical Risk Minimization (ERM), Structural Risk Minimization (SRM), VC-Dimension
Support Vector Maschinen: SVMs für linear (+nicht-linear) separable sowie nicht separable Probleme

(im Wesentlichen aus den Folien des WS 05/06 entnommen)

Tipps und nützliche Infos

Da Prof. Wysotzki die Vorlesung nicht mehr halten wird (er verlaesst die Uni), ist es relativ sinnlos, gute Tipps zu geben ;)

Literatur: nichts gelesen

Weblinks

(WS 04/05)

Persönliche Kommentare

(Nicht unterschriebene Kommentare werden gelöscht!)

War ganz ok. FelixB

@@ Zeile 7: / Zeile 7: @@
 == Inhalt ==
-(Von der Website geklaut)
+* '''Einführung:''' "Was ist künstliche Intelligenz?", Ggschichtlicher Überblick, intelligente Softwareagenten
+* '''Problemlösen und Suche:''' Problemformulierung, Lösungssuche, informierte Suche, Constraint Satisfaction Problems (CSPs)
-* '''Einführung''': Gegenstandsgebiet, Historisches, Stand
+* '''Planen:''' STRIPS, Planungsalgorithmen
-* '''Problemlösen''': Formalisierung, heuristische Suche, Planung durch Teilzielbildung, Anwendungen, menschliches Problemlösen
+* '''Logikbasierte Agenten:''' Agenten basierend auf Aussagenlogik und Prädikatenlogik
-* '''Constraints''':  Formalisierung, Lösungsmethoden, Anwendungen
+* '''Belief Revision:''' Truth Maintenance Systems (TMS), Justification-based TMS (ATMS),  Assumption-based TMSS (JTMS)
-* '''Inferenz''': Logische Grundlagen, Resolution, Theorembeweisen, Anwendung in Frage-Antwort-Systemen, logische Programmierung, Nichtmonotone Logik und Rechtfertigungssysteme, unscharfe (Fuzzy-)Inferenz, Vergleich mit menschlichen Schlußprozessen
+* '''Modallogik:''' Belief, Desire, Intention, BDI Agenten
-* '''Wissensrepräsentation''':  Repräsentation durch Graphen, Semantische Netze und Verstehen natürlicher Sprache, objektorientierte Repräsentation, Repräsentation geometrischer Beziehungen (analoge Repräsentation), Anwendungen
+* '''Bayes Netze:''' probabilistische Inferenz, DAGs, Decomposable Undirected Graphs, Junction Trees
-* '''Lernen: Entscheidungsbäume''': Überblick über Probleme und Methoden des Maschinellen Lernens, organismische Lernprozesse, Induktion von Entscheidungsbäumen, Anwendungen
+* '''Hidden Markov Modelle'''
-* '''Funktionslernen'''
+* '''konnektionistisches Neuron'''
-* '''Lernen''': Perzeptrons Bedeutung, Potentielle Anwendungen, Lernalgorithmus des Perzeptrons
+* '''Multi-Lagen-Perzeptron:''' Architektur,Lernen,Prädiktion
+* '''Probabilistische Verfahren:''' Generative Modelle, Bayessche Verfahren, MAP-Methode, Kostenfunktionen
+* '''Einführung in die statistische Lerntheorie:''' Empirical Risk Minimization (ERM), Structural Risk Minimization (SRM), VC-Dimension
+* '''Support Vector Maschinen:''' SVMs für linear (+nicht-linear) separable sowie nicht separable Probleme
+(im Wesentlichen aus den Folien des WS 05/06 entnommen)
 == Tipps und nützliche Infos ==