Künstliche Intelligenz I - Cheatsheet.pdf

Künstliche Intelligenz I - Cheatsheet
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. Turin...

© StudySmarter 2024, all rights reserved.

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.
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden