Alle Lernmaterialien für deinen Kurs Künstliche Intelligenz I

Dieser Teil der Vorlesung bietet eine Übersicht über die grundlegenden Konzepte, die in der Künstlichen Intelligenz (KI) verwendet werden. Hier werden wichtige Begriffe und historische Entwicklungen besprochen.

• Geschichte und Entwicklung der Künstlichen Intelligenz
• Grundlegende Definitionen von KI
• Unterschiede zwischen starker und schwacher KI
• Anwendungsgebiete der Künstlichen Intelligenz
• Ethische und gesellschaftliche Implikationen der KI

Suchalgorithmen sind fundamentale Bestandteile der Künstlichen Intelligenz und werden zur Problemlösung und Entscheidungsfindung eingesetzt. In diesem Abschnitt werden verschiedene Typen und deren Anwendungen untersucht.

• Uninformed Search (z.B. Breadth-First Search, Depth-First Search)
• Informed Search (z.B. A*-Algorithmus)
• Optimierungsprobleme und Admissibility
• Heuristische Funktion und deren Gestaltung
• Minimax und Alpha-Beta Pruning

Die Wissensrepräsentation befasst sich mit den Methoden, wie Wissen strukturiert und für maschinelle Prozesse zugänglich gemacht werden kann. Hier werden verschiedene Techniken und ihre Anwendungen vorgestellt.

• Logikbasierte Repräsentationen (z.B. Prädikatenlogik)
• Semantische Netze und Ontologien
• Rahmen- und Skriptansätze
• Beschreibungslogiken
• Wissensbasierte Systeme und Expertensysteme

Maschinelles Lernen ist eine Kernkomponente der KI, die sich auf die Entwicklung von Algorithmen konzentriert, die aus Daten lernen und Vorhersagen treffen können. Hier werden verschiedene Lernparadigmen besprochen.

• Überwachtes Lernen (z.B. Klassifikationsalgorithmen, Regression)
• Unüberwachtes Lernen (z.B. Clustering-Algorithmen, Dimensionality-Reduction)
• Reinforcement Learning und Entscheidungsprozesse
• Evaluieren und Validieren von Modellen
• Überfitting und Regularisierungstechniken

Neuronale Netze sind inspiriert von den biologischen neuronalen Strukturen und spielen eine entscheidende Rolle in der modernen KI. Dieser Abschnitt deckt die Grundlagen, Architekturen und Anwendungen ab.

• Grundlagen der künstlichen Neuronen
• Klassische Architekturen (z.B. Feedforward Neural Networks)
• Trainingstechniken und Backpropagation
• Tiefe neuronale Netze und Convolutional Neural Networks (CNNs)
• Anwendungsfälle wie Bilderkennung und Sprachverarbeitung