~~NOTOC~~

====== Grundlagen der Künstlichen Intelligenz ======

==== Organisation ====

|< 100% 33% 66%>|
^Dauer^6 SWS^
^Art^Vorlesung mit Übung^
^Semester^SS2019^
^Vortragende^[[:team/michael_beetz|Prof. Michael Beetz]] \\ [[:team/daniel_nyga|Dr. Daniel Nyga]]^
^Übungsleitung^[[:team/daniel_nyga|Dr. Daniel Nyga]] \\ [[:team/mona_abdel-keream|Mona Abdel-Keream]]^
^Sprache^Deutsch^
^Termine^Vorlesung: Di. 12:00 - 14:00, Ort: MZH 1380/1400 \\ Übung: Do. 16:00 - 18:00, Ort: MZH 1380/1400^
^Bemerkungen^Vorlesungsbeginn: 02.04.2019 \\ Übungsbeginn: 11.04.2019^ \\

==== Lernziele ====

  * Die grundlegenden Verfahren, Methoden und Ansätze der Künstlichen Intelligenz praktisch anwenden können
  * Fachliche Kompetenz insbesonders, aber nicht ausschließlich, in den Gebieten Suche, Logik, Planen, Maschinelles Lernen
  * Die Terminologie des Fachgebietes beherrschen
  * Die einzelnen Methoden/Ansätzen der KI in den Gesamtkontext einordnen können
  * Das Fachgebiet (oder Teile des Fachgebietes) im Kontext zu anderen Disziplinen einordnen können
  * Grundlegende Verfahren auf einzelne konkrete Aufgabensituationen übertragen und diese lösen können


==== Vorlesungsinhalt ====

Die Vorlesung soll einen Überblick über wichtige Arbeitsgebiete und Methoden der Künstlichen Intelligenz geben. Die Vorlesung
führt Grundideen und Methoden der Künstlichen Intelligenz anhand des Lehrbuches von Russell und Norvig ein. Es werden folgende
Themen behandelt:

  * Entwurfsprinzipien für und Spezifikation von “intelligenten” Agenten;
  * Problemlösen durch Suche: heuristische Suchverfahren, optimierende Suche;
  * Problemlösen mit wissensbasierten Methoden: Logik und Inferenz, Schlussfolgern über Raum und Zeit, Repräsentation von Ontologien, Repräsentation und Schlussfolgern über Alltagswissen;
  * Problemlösen mit unsicherem Wissen: Grundlagen der Wahrscheinlichkeits- und Entscheidungstheorie, Bayes Netze, Planen mit Markov-Entscheidungsprozessen;
  * Handlungsplanung: Generierung partiell geordneter Aktionspläne, Planung und Ausführung;
  * Maschinelles Lernen: Lernen von Entscheidungsbäumen, Lernen von Prädikaten mittels Beispiele, Reinforcement-Lernen.



Organisatorische Angaben sowie Lehrmaterialien können auf der 
[[https://elearning.uni-bremen.de/dispatch.php/course/overview?cid=8baec0ab2dd0c100489fbe0f0fb15271|Stud.IP Seite]] eingesehen werden