Künstliche Intelligenz I - Cheatsheet
Definition und Geschichte der Künstlichen Intelligenz
Definition:
Künstliche Intelligenz (KI) bezieht sich auf die Fähigkeit von Maschinen, Aufgaben zu erledigen, die intelligente Wesen ausführen würden, wie z.B. Lernen, Problemlösen und Entscheidungsfindung.
Details:
- Erste Phase (1950er-1970er): Grundlegende Theorien und Algorithmen entwickelt, wie z.B. Turing-Test und einfache Spiele-KIs.
- Erste KI-Winter (1970er-1980er): Rückgang der Finanzierung und des Interesses aufgrund begrenzter Fortschritte und Überbewertung der KI-Fähigkeiten.
- Zweite Phase (1980er-1990er): Wiederaufleben durch Expertensysteme und fortschrittlichere Algorithmen, z.B. Neuronale Netze.
- Zweiter KI-Winter (Ende 1980er-1990er): erneuter Rückgang wegen hoher Kosten und begrenzter Erfolge.
- Dritte Phase (2000er-heute): Durchbrüche durch Big Data, verbessertes Hardware, Deep Learning und Anwendung in vielen Bereichen wie Bilderkennung, Sprachverarbeitung, autonomes Fahren.
Uninformierte und informierte Suchalgorithmen (z.B. Breitensuche, Tiefensuche, A* Algorithmus)
Definition:
Verschiedene Suchalgorithmen werden verwendet, um Zustände in einem Problemraum systematisch zu durchsuchen. Uninformierte Suchalgorithmen haben keine zusätzliche Information über den Zielzustand, während informierte Suchalgorithmen heuristische Informationen nutzen.
Details:
- Breitensuche: Uninformierte Suche. Durchsucht Knoten auf der aktuellen Tiefe vor tieferen Knoten.
- Tiefensuche: Uninformierte Suche. Durchsucht möglichst tiefen Knoten, bevor zurückgegangen wird.
- A* Algorithmus: Informierte Suche. Verwendet Funktion f(n) = g(n) + h(n), wobei g(n) die Kosten vom Start bis Knoten n und h(n) die geschätzten Kosten vom Knoten n zum Ziel sind.
Beispiele und Anwendung von maschinellem Lernen (überwachtes und unüberwachtes Lernen)
Definition:
Maschinelles Lernen: Automatisierte Erkennung von Mustern in Daten, meist zur Vorhersage (überwachtes Lernen) oder Clusteranalyse (unüberwachtes Lernen).
Details:
- Überwachtes Lernen: Modell trainiert mit gelabelten Daten (Bsp.: Klassifikation, Regression).
- Unüberwachtes Lernen: Modell findet Muster ohne gelabelte Daten (Bsp.: Clustering, Dimensionalitätsreduktion).
- Beispiele: Bilderkennung, Sprachverarbeitung, Empfehlungssysteme.
- Anwendungen: Personalisierte Werbung, Betrugserkennung, Diagnostik.
- Algorithmen: \textit{K-Means} (Clustering), \textit{SVM} (Klassifikation), \textit{PCA} (Dimensionalitätsreduktion).
Logikbasierte und probabilistische Schlussfolgerungsmethoden (z.B. Bayessche Netze)
Definition:
Logikbasierte Methoden arbeiten mit formalen logischen Systemen, um aus gegebenen Aussagen Schlüsse zu ziehen. Probabilistische Methoden, wie Bayessche Netze, nutzen Wahrscheinlichkeiten zur Modellierung unsicherer Informationen.
Details:
- Logikbasiert: Verwendung von Prädikatenlogik und a priori festgelegten Regeln
- Probabilistisch: Verwendung statistischer Modelle zur Abschätzung von Ungewissheit
- Bayessche Netze: Graphische Modelle, die Wahrscheinlichkeitsverteilungen repräsentieren
- Bayessche Netze bestehen aus: Knoten (Zufallsvariablen) und Kanten (Abhängigkeiten)
- Bayessche Formeln: \[ P(A|B) = \frac{P(B|A) \, P(A)}{P(B)} \]
Hierarchische und probabilistische Planungsalgorithmen
Definition:
Hierarchische und probabilistische Planungsalgorithmen verwenden Hierarchien und Wahrscheinlichkeiten, um komplexe Entscheidungsprobleme zu lösen.
Details:
- Hierarchische Planung: Zerlegung eines Problems in Teilprobleme, rekursive Lösung dieser
- Probabilistische Planung: Nutzung von Wahrscheinlichkeiten zur Modellierung und Lösung von Unsicherheiten
- Anwendungen: Robotik, automatisierte Entscheidungsfindung, Spiele
- Mathematische Grundlagen: Markov-Entscheidungsprozesse (MDPs), Partially Observable Markov Decision Processes (POMDPs)
- Wichtigste Formeln: \(V(s) = \text{max}_a [R(s,a) + \gamma \sum_{s'} P(s'|s,a)V(s')]\) für MDPs
Wissensrepräsentation und Ontologien
Definition:
Strukturen und Methoden zur Formalisierung und Speicherung von Wissen in Computern; zentrale Konzepte in der KI zur Modellierung von Wissen über die Welt
Details:
- Basis: Logik, Prädikatenlogik, semantische Netze
- Ontology: formale Spezifikation von Konzepten und deren Beziehungen
- Klassen (oder Konzepte) und Instanzen
- Beziehungen: Hierarchien (\textit{is-a}), Assoziationen
- Regeln, um Schlussfolgerungen zu ziehen
- Spezifikationssprachen: OWL (Web Ontology Language)
- Anwendungen: Wissensbasierte Systeme, semantisches Web
Neuronale Netze und Deep Learning
Definition:
Modellierung und Training von mehrschichtigen neuronalen Netzwerken zur Mustererkennung und Entscheidungsfindung.
Details:
- Neuron: Grundeinheit, mit Gewichtungen und Aktivierungsfunktion
- Schichten: Eingabeschicht, versteckte Schichten, Ausgabeschicht
- Vorwärtspropagation: Eingaben durch das Netz leiten, um Ausgaben zu erhalten
- Rückwärtspropagation: Fehlerberechnung und Gewichtsupdate
- Aktivierungsfunktionen: sigmoid, tanh, ReLU
- Kostenfunktionen: MSE, Kreuzentropie
- Hyperparameter: Lernrate, Anzahl der Schichten, Neuronen pro Schicht
- Optimierungsverfahren: SGD, Adam
- Overfitting vermeiden: Regularisierung, Dropout
- Deep Learning: Verwendung tiefer (vieler) Schichten für komplexe Mustererkennung
- Anwendungen: Bild- und Spracherkennung, Zeitreihenanalyse
Ethische und gesellschaftliche Implikationen von KI
Definition:
Analyse der Auswirkungen von KI auf ethische Normen und soziale Strukturen.
Details:
- Ethische Fragen: Bias in Algorithmen, Datenschutz, Verantwortlichkeit.
- Gesellschaftliche Auswirkungen: Arbeitsplatzveränderungen, soziale Ungleichheit, Überwachung.
- Regulierung: Notwendigkeit von Richtlinien und Gesetzen.
- Transparenz: Erklärung der Entscheidungsprozesse von KI.
- Autonomie: Mögliche Einschränkungen menschlicher Entscheidungen durch KI.