Einführung in die Künstliche Intelligenz

Überblick

Methoden der künstlichen Intelligenz haben zum Ziel, intellektuelle Aufgaben automatisiert zu lösen, also Aufgaben welche üblicherweise durch menschliches Denken und Schlussfolgern gelöst werden. Diese Vorlesung bettet die KI im Rahmen der Agententheorie ein und fokussiert sich dann konkret auf die Umsetzung davon durch probabilistische graphische Modelle, von der Modellierung inklusive Repräsentation und Lernen hin zur probabilistischen Inferenz und Entscheidungsfindung, auf statischer und temporaler Ebene.

Achtung: Der Anteil an Methoden aus dem Bereich Maschinelles Lernen ist eher gering. Dafür ist das Modul Mustererkennung und Maschinelles Lernen empfehlenswert.

Für weitere Informationen melden Sie sich bitte im Learnweb-Kurs an:

https://sso.uni-muenster.de/LearnWeb/learnweb2/course/view.php?id=59848

Themen und Präsentationsmaterial

  1. Einleitung (pptx, pdf)
  2. Künstliche Intelligenz und Agenten (pptx, pdf)
  3. Episodische Probabilistische Graphische Modelle (PGMs) (pptx, pdf)
  4. Exakte Inferenz in episodischen PGMs
    1. Einzelanfragen: Variableneliminierung (pptx, pdf)
    2. Multi-Anfragen: Junction Tree Algorithmus (pptx, pdf)
    3. Inferenzproblem Zustandsanfragen (pptx, pdf)
  5. Approximative Inferenz in episodischen PGMs (pptx, pdf)
  6. Lernalgorithmen für episodische PGMs (pptx, pdf)
  7. Sequentielle PGMs und Inferenz (pptx, pdf)
  8. Entscheidungstheoretische PGMs und Inferenz (pptx, pdf)
  9. Abschlussbemerkungen (pptx, pdf)

Literatur

  • Artificial Intelligence - A Modern Approach (3rd edition), Stuart Russell und Peter Norvig
    • Deutsche Version: Künstliche Intelligenz - Ein moderner Ansatz (3., aktualisierte Auflage)
  • Probabilistic Graphical Models - Principles and Techniques, Daphne Koller und Nir Friedman

Alle Versionen sind online auffindbar.