This is an old revision of the document!


Grundlagen der künstlichen Intelligenz

Dauer4 SWS (6 ECTS)
ArtVorlesung mit Übung
SemesterSS2014
VortragendeProf. Michael Beetz
ÜbungsleitungDaniel Nyga
SpracheDeutsch

Inhalt/Content

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 (s.u.) ein. Es werden folgende Themen behandelt:

  • Entwurfsprinzipien für und Spezifikation von intelligenten/rationalen Agenten
  • Problemlösen durch Suche: uninformierte Suchverfahren, heuristische (informierte) 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 Beispielen, PAC-Lernen, Selbstverstärkendes (Reinforcement-) Lernen.

English:

This course gives an overview of application areas and techniques in Artificial Intelligence. The course introduces the principles and techniques of Artificial Intelligence based on the textbook of Russell and Norvig (see below). The following topics are covered:

  • design principles and specification mechanisms for intelligent/rational agents
  • problem solving using search: heuristic search algorithms, optimizing search
  • problem solving using knowledge-based techniques: logic and inference techniques, reasoning about space and time, representation of ontologies, representation and reasoning in the common sense world
  • problem solving using uncertain knowledge and information: basic concepts of probability and decision theory, Bayesian Networks, planning with Markov decision problems
  • action planning: automatic generation of partially ordered action plans, planning and execution
  • machine learning: learning decision trees, inductive learning, probably approximately correct learning, reinforcement learning