Lernergebnisse
- Kenntnis der grundlegenden Verfahren der künstlichen Intelligenz
- praktische Erfahrung mit Methoden der künstlichen Intelligenz und des maschinellen Lernens
- Kenntnis der grundlegenden Paradigmen bei der Konstruktion intelligenter, lernfähiger Agenten
- Kenntnis industriell und wirtschaftlich relevanter Anwendungsgebiete
Die Studierenden sind in der Lage, die Leistungsfägkeit der besprochenen Verfahren einzuschätzen und sie auf Probleme in den Anwendungsdomänen erfolgreich einzusetzen.
Lehrinhalte
* Repräsentation von Wissen und Problemen: Prädikatenlogik, Nichtmonotone Logiken, Suchprobleme, Constraint Satisfaction Problems, Planungsprobleme.
* Problemlösen durch Suche: blinde Suche, informierte Suche, Heuristiken, local search, Constraintpropagierung.
* Planen: STRIPS-Formalismus, Vorwärts- und Rückwärtsverkettung, partial order planning.
* Methoden des Schliessens / Inferenz: Resolution, Unifikation, Schliessen bei unvollständigem und unsicherem Wissen, nichtmonotones Schliessen. Maschinelles Lernen: Entscheidungsbäume, Funktionslernen, Perzeptron, Neuronale Netze, Support Vector Maschinen.
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 (darunter kleine Programmieraufgaben) in Kleingruppen.
