Hochschule Ravensburg-Weingarten | Zurück zur Startseite


Prof. Wolfgang Ertel
Wolfgang Ertel
Professor Dr. rer. nat.

Künstliche Intelligenz

Organisation:

Studiengänge Master Informatik, Master Mechatronics
Semester 1
SWS 4
Voraussetzungen
Mathematik 1, 2, Grundlagen der Informatik 2

 

Leistungsnachweis
Klausur

 

 

Lernziele:

Der besondere Reiz, aber auch die besondere Schwierigkeit, in diesem Fach ist das Zusammenspiel vieler sehr unterschiedlicher Wissenschaften wie Logik, Statistik, Neuronale Netze und Kognitionswissenschaften. Da es nicht möglich ist, im Rahmen von 4 SWS alle diese Gebiete tief und umfassend zu behandeln, ist das wichtigste Lernziel, dem Studenten einen Überblick über das heute sehr weit verzweigte Gebiet der Künstlichen Intelligenz (KI) zu vermitteln. Einige Themen werden aber trotzdem etwas detaillierter behandelt. Die für die KI wichtige Logik wird in der Vorlesung Theoretische Informatik behandelt.
 

Inhalt (vorläufig):

  • Einführung, Geschichte
  • Intelligente Agenten
  • Suchen, Spielen, Problemlösen
  • Schließen mit Unsicherheit
  • Maschinelles Lernen und Data Mining
  • Neuronale Netze
  • Lernen durch Verstärkung

Literatur:

 

Materialien:


Videos der Vorlesungen:

# Vorlesung Nr, Teil Datum Inhalt
01Vorlesung Nr 01 Teil 104.10.2011Introduction
02Vorlesung Nr 02 Teil 110.10.2011Search, Games and Problem Solving Introduction
03Vorlesung Nr 03 Teil 111.10.2011Uninformed Search: Breadth-First Search, Depth-First Search, Iterative Deepening
04Vorlesung Nr 04 Teil 117.10.2011Heuristic Search: Greedy Search, A*-Search, IDA*-Search
05Vorlesung Nr 05 Teil 118.10.2011Games with Opponents, Heuristic Evaluation Functions
06Vorlesung Nr 06 Teil 124.10.2011Computing with Probabilities, The Principle of Maximum Entropy
07Vorlesung Nr 07 Teil 131.10.2011The Maximum Entropy Method
08Vorlesung Nr 08 Teil 107.11.2011The Maximum Entropy Method, LEXMED
09Vorlesung Nr 09 Teil 108.11.2011LEXMED, Reasoning with Bayesian Networks
10Vorlesung Nr 10 Teil 114.11.2011Reasoning with Bayesian Networks
11Vorlesung Nr 11 Teil 114.11.2011Reasoning with Bayesian Networks, Machine Learning and Data Mining
12Vorlesung Nr 12 Teil 115.11.2011The Perceptron, The Nearest Neighbour Method
13Vorlesung Nr 13 Teil 121.11.2011The Nearest Neighbour Method, Decision Tree Learning
14Vorlesung Nr 14 Teil 122.11.2011Decision Tree Learning
15Vorlesung Nr 15 Teil 128.11.2011Decision Tree Learning, Learning of Bayesian Networks
16Vorlesung Nr 16 Teil 129.11.2011The Naive Bayes Classifier, Clustering

Video lectures of winter semester 2011/12 on YouTube:

Lec # Topics Date
17 Clustering, Data Mining in Practice 05.12.2011
18 Neural Networks 06.12.2011
19 Neural Networks 19.12.2011
20 Neural Networks 19.12.2011
21 Neural Networks, Reinforcement Learning 20.12.2011
22 Reinforcement Learning 22.12.2011
23 Reinforcement Learning 09.01.2012
24 Reinforcement Learning, Recommender Systems 10.01.2012
25 Recommender Systems 17.01.2012