AI-1 Systems Project - Cheatsheet

Überblick über die Geschichte und Entwicklung der KI

Definition:

Überblick über die Geschichte und Entwicklung der KI - kurzer Abriss wesentlicher historischer Meilensteine und Entwicklungen im Bereich der künstlichen Intelligenz seit ihren Anfängen.

Details:

• 1950: Alan Turing führt den Turing-Test ein
• 1956: Dartmouth-Konferenz, Geburt der KI als Forschungsgebiet
• 1966-1974: Erste KI-Winter aufgrund begrenzter Rechenleistung und überzogener Erwartungen
• 1980er: Expertensysteme und regelbasierte Systeme werden populär
• 1997: IBM's Deep Blue schlägt den Schachweltmeister Garry Kasparov
• 2000er: Fortschritte im maschinellen Lernen und Datenverarbeitung
• 2012: Durchbruch im Deep Learning mit AlexNet
• 2016: AlphaGo besiegt den Go-Meister Lee Sedol
• Heutzutage: Anwendung von KI in verschiedenen Bereichen wie Medizin, Transport und Unterhaltung

Maschinelles Lernen und neuronale Netze

Definition:

Maschinelles Lernen: Bereich der Informatik, wo Algorithmen verwendet werden, um aus Daten zu lernen. Neuronale Netze: Spezielle Algorithmen, inspiriert vom menschlichen Gehirn.

Details:

• Arten des Maschinellen Lernens: Überwachtes, Unüberwachtes, Bestärkendes Lernen
• Grundlagen: Trainingsdaten, Modelle, Algorithmen
• Neuronale Netze: Knoten (Neuronen) und Gewichte
• Aktivierungsfunktionen: Sigmoid, ReLU, Tanh
• Optimierung: Gradientenabstieg
• Architekturen: Perzeptron, MLP, CNN, RNN
• Auswertung: Verlustfunktionen, Genauigkeit

Ethik und gesellschaftliche Auswirkungen der KI

Definition:

Untersuchung der moralischen Prinzipien und sozialen Folgen, die sich aus der Entwicklung und dem Einsatz von Künstlicher Intelligenz (KI) ergeben.

Details:

• Datenethik: Datenschutz, Privatsphäre, Zustimmung
• Verantwortung: Haftung bei KI-Fehlentscheidungen
• Bias: Diskriminierungsrisiken durch voreingenommene Daten
• Transparenz: Erklärbarkeit und Nachvollziehbarkeit von KI-Entscheidungen
• Arbeitsmarkt: Auswirkungen auf Beschäftigung und neue Jobprofile
• Soziale Ungleichheit: Unterschiede im Zugang zu KI-Technologien

Phasen und Prozessmodelle im Projektmanagement

Definition:

Definierte Abfolge von Schritten zur erfolgreichen Durchführung und Steuerung von Projekten.

Details:

• Phasen: Initialisierung, Planung, Durchführung, Abschluss.
• V-Modell: Trennung von Entwicklung und Testen in aufeinanderfolgenden Phasen.
• Wasserfallmodell: Lineares, sequentielles Vorgehensmodell.
• Agile Modelle: Flexibel, inkrementell und iterativ (z. B. Scrum, Kanban).
• Meilensteine: Kontrollpunkte zur Bewertung des Fortschritts.
• Rollen: Projektleiter, Entwicklungsteam, Stakeholder.
• Ziele: Einhaltung von Budget, Zeitplan und Qualität.
• Tools: Gantt-Diagramme, Netzplantechnik, Burndown-Charts.

Algorithmen zur Mustererkennung und Clusteranalyse

Definition:

Algorithmen zur Analyse und Identifikation von Mustern in Datensätzen, sowie die Gruppierung ähnlicher Datenpunkte.

Details:

• Beispiele für Algorithmen: k-Means, Hierarchische Clusteranalyse, DBSCAN, EM-Algorithmus.
• Distanzmaße: Euklidische Distanz, Manhattan-Distanz, Kosinus-Ähnlichkeit.
• Bewertung der Clusterqualität: Silhouettenkoeffizient, Dunn-Index, Rand-Index.
• Datenvorverarbeitung: Normalisierung, Standardisierung, Dimensionsreduktion (z.B. PCA).
• Musterekennung: KNN, SVM, Neuronale Netze (insbesondere CNNs und RNNs).
• Einsatzgebiete: Bilderkennung, Textklassifikation, Betrugserkennung, Marktsegmentierung.

Grundlegende Datenstrukturen: Arrays, Listen, Bäume, Graphen

Definition:

Grundlegende Datenstrukturen, verwendet zur Speicherung und Organisation von Daten.

Details:

• Arrays: Feste Größe, schneller Zugriff (\textit{O(1)}).
• Listen: Dynamische Größe, einfache Implementation von Einfügen/Löschen (\textit{O(n)} im schlimmsten Fall).
• Bäume: Hierarchische Struktur, häufig verwendet für Suchoperationen (z.B. Binärbaum: \textit{O(log n)} Suche, Insert, Delete).
• Graphen: Knoten und Kanten, Darstellung von Netzwerken (z.B. Adjazenzmatrix: \textit{O(1)} Zugriffszeit, Adjazenzliste: Speicherplatz \textit{O(V + E)}).

Komplexitätsanalyse von Algorithmen

Definition:

Bewertung der Effizienz von Algorithmen hinsichtlich Laufzeit und Speicherbedarf.

Details:

• Zeitkomplexität: Maß für die benötigte Rechenzeit in Abhängigkeit von der Eingabengröße (asymptotisches Verhalten).
• Raumkomplexität: Maß für den benötigten Speicherplatz in Abhängigkeit von der Eingabengröße.
• Big-O-Notation: Beschreibt das Worst-Case-Szenario, z.B. \(O(n^2)\) für eine quadratische Zeitkomplexität.
• Big-Ω-Notation: Beschreibt das Best-Case-Szenario, z.B. \(\Omega(n)\) für eine lineare Zeitkomplexität.
• Big-Θ-Notation: Beschreibt die genaue Klassifizierung des Zeitbedarfs, z.B. \(\Theta(n \log n)\) für eine logarithmische Zeitkomplexität.
• Wichtige Komplexitätsklassen: Konstant \(O(1)\), logarithmisch \(O(\log n)\), linear \(O(n)\), linear-logarithmisch \(O(n \log n)\), quadratisch \(O(n^2)\), exponentiell \(O(2^n)\).

Präsentationstechniken und -methoden

Definition:

Techniken und Methoden zur effektiven Präsentation von Informationen im Rahmen des KI-1 Systems Projekts.

Details:

• Einleitung: Kurze Vorstellung des Teams und des Projekts.
• Struktur: Klarer Aufbau (Einleitung, Hauptteil, Schluss).
• Visualisierung: Einsatz von Diagrammen, Grafiken und Demos.
• Interaktivität: Einbindung des Publikums durch Fragen und Diskussionen.
• Technische Mittel: Nutzung von PowerPoint, Prezi, oder Live-Demonstrationen.
• Einbindung von Code-Beispielen und Live-Coding (wenn relevant).
• Anpassung an das Zielpublikum: Fachlich angemessenes Niveau.
• Übungen: Proben und Feedback-Schleifen vor der eigentlichen Präsentation.