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.