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.