Skip to content

Artificial-Intelligence-HSBI-TDU/KI-Vorlesung

Repository files navigation

archetype title
home
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

  1. 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
  2. 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
  3. Inferenz, Logik (entfällt im W23)

    • Prädikatenlogik: Modellierung, semantische und formale Beweise, Unifikation, Resolution
    • Ausblick: Anwendung in Prolog

Team

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

  1. "Artificial Intelligence: A Modern Approach" (AIMA). Russell, S. und Norvig, P., Pearson, 2020. ISBN 978-0134610993.

  2. "Introduction to Artificial Intelligence". Ertel, W., Springer, 2017. ISBN 978-3-319-58487-4. DOI 10.1007/978-3-319-58487-4.

  3. "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. :::