AI-1 Systems Project - Cheatsheet.pdf

AI-1 Systems Project - Cheatsheet
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 ...

© StudySmarter 2024, all rights reserved.

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.
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