Lernergebnisse
- Kenntnis der grundlegenden Formalismen und Methoden der künstlichen Intelligenz
- praktische Erfahrung mit Methoden der künstlichen Intelligenz
- Kenntnis industriell und wirtschaftlich relevanter Anwendungsgebiete
Die Studierenden sind in der Lage, die Leistungsfägkeit der besprochenen Methoden einzuschätzen und sie auf Probleme in den Anwendungsdomänen erfolgreich einzusetzen.
Lehrinhalte
* Grundlegende Problemstellungen: Suchprobleme, Constraint Satisfaction Problems, Planungsprobleme
* Problemlösen durch Suche: Suchbäume, Heuristiken, lokale Suche, Constraintpropagierung, Alpha-Beta-Suche
* Planen: STRIPS-Formalismus, Vorwärts- und Rückwärtsverkettung, Partial Order Planning
* Grundlagen der Entscheidungstheorie
* Probabilistische Entscheidungsprobleme: Banditen, Monte Carlo Tree Search, Spiele, Markov Entscheidungsprozesse
* Dynamisches Programmieren, Reinforcement Learning
Beschreibung der Lehr- und Lernformen
Vorlesung: Frontalunterricht vor allen Teilnehmern zur Vermittlung des Stoffes.
Übung: Vertiefung und Erläuterung des Stoffes an Beispielen. Bearbeitung von Übungsaufgaben in Kleingruppen.