KI-Vorlesung
KI-Vorlesung copied to clipboard
Lecture "Künstliche Intelligenz"
archetype: "home" title: "IFM 5.14 / INF701: Künstliche Intelligenz (Winter 2023/24)"
{width="60%"}
[Quelle: "künstliche intelligenz" by Gerd Altmann (geralt) on Pixabay.com (Pixabay License)]{.origin}
Kursbeschreibung
Ausgehend von den Fragen "Was ist Intelligenz?" und "Was ist künstliche Intelligenz?" werden wir uns in diesem Modul mit verschiedenen Teilgebieten der KI beschäftigen und uns anschauen, welche Methoden und Algorithmen es gibt und wie diese funktionieren. Dabei werden wir auch das Gebiet Machine Learning berühren, aber auch andere wichtige Gebiete betrachten. Sie erarbeiten sich im Laufe der Veranstaltung einen Methoden-Baukasten zur Lösung unterschiedlichster Probleme und erwerben ein grundlegendes Verständnis für die Anwendung in Spielen, Navigation, Planung, smarten Assistenten, autonomen Fahrzeugen, ...
Überblick Modulinhalte
-
Problemlösen
- Zustände, Aktionen, Problemraum
- Suche (blind, informiert): Breiten-, Tiefensuche, Best-First, Branch-and-Bound, A-Stern
- Lokale Suche: Gradientenabstieg, Genetische/Evolutionäre Algorithmen (GA/EA)
- Spiele: Minimax, Alpha-Beta-Pruning, Heuristiken
- Constraints: Backtracking, Heuristiken, Propagation, AC-3
-
Maschinelles Lernen
- Merkmalsvektor, Trainingsmenge, Trainingsfehler, Generalisierung
- Entscheidungsbäume: CAL2, CAL3, ID3, C4.5
- Neuronale Netze
- Perzeptron, Lernregel
- Feedforward Multilayer Perzeptron (MLP), Backpropagation, Trainings- vs. Generalisierungsfehler
- Steuerung des Trainings: Kreuzvalidierung, Regularisierung
- Ausblick: Support-Vektor-Maschinen
- Naive Bayes Klassifikator
-
~~Inferenz, Logik~~ (entfällt im W23)
- ~~Prädikatenlogik: Modellierung, semantische und formale Beweise, Unifikation, Resolution~~
- ~~Ausblick: Anwendung in Prolog~~
Team
- Carsten Gips (HSBI)
- Canan Yıldız (TDU)
- Ayşe Betül Yüce (TDU)
- Halit Canap Demir (TDU)
Kursformat
{width="80%"}
Vorlesung: 2 SWS
:::::: {.tabs groupid="hochschule"} ::: {.tab title="HSBI"}
09. - 27.10. | 30.10. - 26.01. |
---|---|
Mo, 10:00 - 11:30 Uhr (DE) | Mo, 09:00 - 10:30 Uhr (DE) |
online/J101 | online/J101 |
Durchführung als Flipped Classroom: Sitzungen per Zoom (Zugangsdaten siehe ILIAS)
::: ::: {.tab title="TDU"}
02.10.23 - 12.01.24 |
---|
Mo, 11:00 - 12:30 Uhr (TR) |
online |
Durchführung als Flipped Classroom: Sitzungen per Zoom (Zugangsdaten siehe Google Classroom)
::: ::::::
Praktikum/Übung: 2 SWS
:::::: {.tabs groupid="hochschule"} ::: {.tab title="HSBI"}
Praktikumsgruppe | 23.10. - 19.01. |
---|---|
G1/G3 | Di, 17:30 bis 19:00 Uhr (DE) |
G2 | Mo, 17:30 bis 19:00 Uhr (DE) |
online/J101 |
Sitzungen per Zoom (Zugangsdaten siehe ILIAS)
::: ::: {.tab title="TDU"}
Übungsgruppe | 16.10.23 - 12.01.24 |
---|---|
G1 / G3 | Do, 14:30 bis 15:30 Uhr (TR) |
G2 / G4 | Do, 15:30 bis 16:30 Uhr (TR) |
online |
Sitzungen per Google Meet (Zugangsdaten siehe Google Classroom)
::: ::::::
Prüfungsform, Note und Credits
:::::: {.tabs groupid="hochschule"} ::: {.tab title="HSBI"}
Prüfungsform HSBI: Klausur plus Testat, 5 ECTS
-
Testat: Vergabe der Credit-Points
Für die Vergabe der Credit-Points ist die regelmäßige und erfolgreiche Teilnahme am Praktikum erforderlich, welche am Ende des Semesters durch ein Testat bescheinigt wird.
Kriterien: Sie haben mind. 6 der 10 Aufgabenblätter jeweils ausreichend (mind. 60%) bearbeitet und die Lösung im Praktikum vorgestellt.
-
Klausur: => Modulnote
Schriftliche Prüfung ("Klausur") am Ende des Semesters (in beiden Prüfungszeiträumen; Prüfungsvorbereitung HSBI).
::: ::: {.tab title="TDU"}
Prüfung | Gewicht |
---|---|
Zwischenprüfung | 40 % |
Endprüfung | 60 % |
Übung | 10 % Bonus für Endprüfung |
Wenn in der Endprüfung die 40 Punkte Mindestgrenze erreicht wird (Prüfungsnote ≥40), werden 10 % der Übungspunkte als Bonus zu der Prüfungsnote hinzugefügt.
Für die Vergabe von Übungspunkten ist eine erfolgreiche Teilnahme an der Übung erforderlich. Für Details siehe Prüfung & Noten @TDU.
::: ::::::
Materialien
Literatur
-
"Artificial Intelligence: A Modern Approach" (AIMA). Russell, S. und Norvig, P., Pearson, 2020. ISBN 978-0134610993.
-
"Introduction to Artificial Intelligence". Ertel, W., Springer, 2017. ISBN 978-3-319-58487-4. DOI 10.1007/978-3-319-58487-4.
-
"An Introduction to Machine Learning". Kubat, M., Springer, 2017. ISBN 978-3-319-63913-0. DOI 10.1007/978-3-319-63913-0.
Tools
Fahrplan
Vorlesung
:::::: {.tabs groupid="hochschule"} ::: {.tab title="HSBI"}
Woche | Datum Vorlesung | Themen | Lead | Start Bearbeitung |
---|---|---|---|---|
41 | Mo, 09.10. (09:00 - 10:00 Uhr DE) | Orga HSBI (Zoom) || Einführung KI | Problemlösen | Carsten | |
42 | Mo, 16.10. | Tiefensuche | Breitensuche | Branch-and-Bound | Best First | A-Stern | Carsten | B01 |
43 | Mo, 23.10. | Gradientensuche | Simulated Annealing || Intro EA/GA | Genetische Algorithmen | Carsten | B02 |
44 | Mo, 30.10. | Optimale Spiele | Minimax | Minimax und Heuristiken | Alpha-Beta-Pruning | Carsten | B03 |
45 | Mo, 06.11. | Einführung Constraints | Lösen von diskreten CSP | CSP und Heuristiken | Kantenkonsistenz und AC-3 | Carsten | B04 |
46 | Mo, 13.11. | Wahrscheinlichkeitstheorie | Naive Bayes | Carsten | B06 |
47 | Mo, 20.11. | Machine Learning 101 | CAL2 | Pruning | CAL3 | Entropie | ID3 und C4.5 | Carsten | B05 |
48 | Mo, 27.11. | Perzeptron | Canan | B07 |
49 | Mo, 04.12. | Lineare Regression | Canan | B08 |
50 | Mo, 11.12. | Logistische Regression | Canan | |
51 | Mo, 18.12. | Overfitting | Multilayer Perceptron | Canan | B09 |
02 | Mo, 08.01. | Backpropagation | Canan | B10 |
03 | Mo, 15.01. | Training & Testing | Performanzanalyse | Canan | |
04 | Mo, 22.01. | Rückblick (Zoom) | Prüfungsvorbereitung HSBI | Carsten | |
05 | Mi, 31.01. (13:00 - 14:30 Uhr DE) | Klausur (Campus Minden, B40) |
[Bitte geben Sie mir Feedback: Nehmen Sie bitte an der anonymen Umfrage zu Künstliche Intelligenz teil.]{.alert}
::: ::: {.tab title="TDU"}
Woche | Datum Vorlesung | Themen | Lead | Start Bearbeitung |
---|---|---|---|---|
40 | Mo, 02.10. | Orga TDU (Zoom) || Einführung KI | Problemlösen | Canan, Carsten | |
41 | Mo, 09.10. | Machine Learning 101 | CAL2 | Pruning | CAL3 | Entropie | ID3 und C4.5 | Carsten | B05 |
42 | Mo, 16.10. | Tiefensuche | Breitensuche | Branch-and-Bound | Best First | A-Stern | Carsten | B01 |
43 | Mo, 23.10. | Gradientensuche | Simulated Annealing || Intro EA/GA | Genetische Algorithmen | Carsten | B02 |
44 | Mo, 30.10. | Optimale Spiele | Minimax | Minimax und Heuristiken | Alpha-Beta-Pruning | Carsten | B03 |
45 | Mo, 06.11. | Einführung Constraints | Lösen von diskreten CSP | CSP und Heuristiken | Kantenkonsistenz und AC-3 | Carsten | B04 |
46 | Mo, 13.11. | Wahrscheinlichkeitstheorie | Naive Bayes | Carsten | B06 |
47 | Mo, 20.11. | Zwischenprüfung | ||
48 | Mo, 27.11. | Perzeptron | Canan | B07 |
49 | Mo, 04.12. | Lineare Regression | Canan | B08 |
50 | Mo, 11.12. | Logistische Regression | Canan | |
51 | Mo, 18.12. | Overfitting | Multilayer Perceptron | Canan | B09 |
52 | Mo, 25.12. | Backpropagation | Canan | B10 |
02 | Mo, 08.01. | Training & Testing | Performanzanalyse || Prüfungsvorbereitung TDU | Canan |
::: ::::::
Praktikum/Übung
:::::: {.tabs groupid="hochschule"} ::: {.tab title="HSBI"}
Woche | Blatt | Abgabe ILIAS | Vorstellung Praktikum |
---|---|---|---|
43 | B01: Suche | Mo, 23.10., 17:00 Uhr (Link) | Mo, 23.10. / Di, 24.10. |
44 | B02: EA/GA | Mo, 30.10., 17:00 Uhr (Link) | Mo, 30.10. / Di, 31.10. |
45 | B03: Minimax | Mo, 06.11., 17:00 Uhr (Link) | Mo, 06.11. / Di, 07.11. |
46 | B04: CSP | Mo, 13.11., 17:00 Uhr (Link) | Mo, 13.11. / Di, 14.11. |
47 | B06: NB | Mo, 20.11., 17:00 Uhr (Link) | Mo, 20.11. / Di, 21.11. |
48 | B05: DTL | Mo, 27.11., 17:00 Uhr (Link) | Mo, 27.11. / Di, 28.11. |
49 | B07: Perzeptron | Mo, 04.12., 17:00 Uhr (Link) | Mo, 04.12. / Di, 05.12. |
51 | B08: Lin./Log. Regr. | Mo, 18.12., 17:00 Uhr (Link) | Mo, 18.12. / Di, 19.12. |
02 | B09: MLP | Mo, 08.01., 17:00 Uhr (Link) | Mo, 08.01. / Di, 09.01. |
03 | B10: Backpropagation | Mo, 15.01., 17:00 Uhr (Link) | Mo, 15.01. / Di, 16.01. |
::: ::: {.tab title="TDU"}
Woche | Blatt | Vorstellung Übung |
---|---|---|
42 | B05: DTL | Do, 19.10. |
43 | B01: Suche | Do, 26.10. |
44 | B02: EA/GA | Do, 02.11. |
45 | B03: Minimax | Do, 09.11. |
46 | B04: CSP | Do, 16.11. |
48 | B06: NB | Do, 30.11. |
49 | B07: Perzeptron | Do, 07.12. |
51 | B08: Lin./Log. Regr. | Do, 21.12. |
52 | B09: MLP | Do, 28.12. |
02 | B10: Backpropagation | Do, 11.01. |
::: ::::::
Förderungen und Kooperationen
Kooperation zw. HSBI und TDU
Über das Projekt "Digital Mobil @ FH Bielefeld" der Fachhochschule Bielefeld (HSBI) ist im Sommer 2020 eine Kooperation mit der Türkisch-Deutschen Universität in Istanbul (TDU) im Modul "Künstliche Intelligenz" gestartet.
Wir werden in diesem Semester die Vorlesungen und auch die Übungen/Praktika wieder im Co-Teaching durchführen. In den Zoom-Sitzungen nehmen deshalb alle Studierenden gemeinsam (TDU und HSBI) teil.
Kooperation mit dem DigikoS-Projekt
Diese Vorlesung wurde zudem vom Projekt "Digitalbaukasten für kompetenzorientiertes Selbststudium" (DigikoS) unterstützt. Ein vom DigikoS-Projekt ausgebildeter Digital Learning Scout hat insbesondere die Koordination der digitalen Gruppenarbeiten, des Peer-Feedbacks und der Postersessions in ILIAS technisch und inhaltlich begleitet. DigikoS wird als Verbundprojekt von der Stiftung Innovation in der Hochschullehre gefördert.
::: slides
LICENSE
Unless otherwise noted, this work is licensed under CC BY-SA 4.0. :::