archetype	title
home	IFM 3.2 (PO23) / IFM 5.14 (PO18) / INF701: Künstliche Intelligenz (Winter 2024/25)

{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 W24)
   • Prädikatenlogik: Modellierung, semantische und formale Beweise, Unifikation, Resolution
   • Ausblick: Anwendung in Prolog

Team

• Carsten Gips (HSBI, Sprechstunde nach Vereinbarung)
• Canan Yıldız (TDU)

Kursformat

{width="80%"}

Vorlesung: 2 SWS

:::::: {.tabs groupid="hochschule"} ::: {.tab title="HSBI"}

07.10. - 24.01.
Mo, 11:00 - 12:30 Uhr (DE)
online/J101

Durchführung als Flipped Classroom.

Online-Sitzungen per Zoom (Zugangsdaten siehe ILIAS). Sie können hierzu den Raum J104 nutzen.

::: ::: {.tab title="TDU"}

16.09. - 25.10.	28.10. - 30.12.
Mo, 12:00 - 13:30 Uhr (TR)	Mo, 13:00 - 14:30 Uhr (TR)
online	online

Durchführung als Flipped Classroom: Sitzungen per Zoom (Zugangsdaten siehe Google Classroom)

::: ::::::

Praktikum/Übung: 2 SWS

:::::: {.tabs groupid="hochschule"} ::: {.tab title="HSBI"}

GKI (PO23, 3. Semester)

Praktikumsgruppe	07.10. - 24.01.
G1	Di, 17:30 bis 19:00 Uhr (DE)
G2	Di, 17:30 bis 19:00 Uhr (DE)
G3	Mo, 17:30 bis 19:00 Uhr (DE)
	online/J101

KI (PO18, 5. Semester)

Praktikumsgruppe	07.10. - 24.01.
G4	Di, 17:30 bis 19:00 Uhr (DE)
G5	Di, 17:30 bis 19:00 Uhr (DE)
G6	Mo, 17:30 bis 19:00 Uhr (DE)
	online/J101

Online-Sitzungen per Zoom (Zugangsdaten siehe ILIAS). Sie können hierzu den Raum J104 nutzen.

::: ::: {.tab title="TDU"}

Übungsgruppe	16.09. - 31.12.
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

GKI (PO23, 3. Semester) KI (PO18, 5. Semester)

• 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

• github.com/aimacode
• WEKA
• scikit-learn

Fahrplan

Vorlesung

:::::: {.tabs groupid="hochschule"} ::: {.tab title="HSBI"}

Hier finden Sie einen abonnierbaren Google Kalender mit allen Terminen der Veranstaltung zum Einbinden in Ihre Kalender-App.

Monat	Tag	Vorlesung	Lead	Start Bearbeitung
Oktober	07.	Orga (Zoom); Einführung KI, Problemlösen	Carsten, Canan
	14.	Tiefensuche, Breitensuche, Branch-and-Bound, Best First, A-Stern	Carsten	Blatt: Suche
	21.	Gradientensuche, Simulated Annealing; Intro EA/GA, Genetische Algorithmen	Carsten	Blatt: EA/GA
	28.	Optimale Spiele, [Games], Minimax und Heuristiken, Alpha-Beta-Pruning	Carsten	Blatt: Games
November	04.	Machine Learning 101, CAL2, Pruning, CAL3, Entropie, ID3 und C4.5	Carsten	Blatt: DTL
	11.	Perzeptron	Canan	Blatt: Perzeptron
	18.	Lineare Regression	Canan	Blatt: Regression
	25.	Logistische Regression	Canan
Dezember	02.	Overfitting, Multilayer Perceptron	Canan	Blatt: MLP
	09.	Backpropagation	Canan	Blatt: Backpropagation
	16.	Training & Testing, Performanzanalyse	Canan
	23.	Weihnachtspause
	30.	Weihnachtspause
Januar	06.	Einführung Constraints, Lösen von diskreten CSP, CSP und Heuristiken, Kantenkonsistenz und AC-3	Carsten	Blatt: CSP
	13.	Wahrscheinlichkeitstheorie, Naive Bayes	Carsten	Blatt: Naive Bayes
	20.	Rückblick (Zoom), Prüfungsvorbereitung HSBI	Carsten
	(Prüfungsphase)	Klausur

::: ::: {.tab title="TDU"}

Monat	Tag	Vorlesung	Lead	Start Bearbeitung
September	16.	Orga (Zoom); Einführung KI, Problemlösen	Canan, Carsten
	23.	Einführung Constraints, Lösen von diskreten CSP, CSP und Heuristiken, Kantenkonsistenz und AC-3	Carsten	Blatt: CSP
	30.	Wahrscheinlichkeitstheorie, Naive Bayes	Carsten	Blatt: Naive Bayes
Oktober	07. (13:00 - 14:00 Uhr TR)	Machine Learning 101, CAL2, Pruning, CAL3, Entropie, ID3 und C4.5	Carsten	Blatt: DTL
	14.	Tiefensuche, Breitensuche, Branch-and-Bound, Best First, A-Stern	Carsten	Blatt: Suche
	21.	Gradientensuche, Simulated Annealing; Intro EA/GA, Genetische Algorithmen	Carsten	Blatt: EA/GA
	28.	Optimale Spiele, [Games], Minimax und Heuristiken, Alpha-Beta-Pruning	Carsten	Blatt: Games
November	04.	Zwischenprüfung
	11.	Perzeptron	Canan	Blatt: Perzeptron
	18.	Lineare Regression	Canan	Blatt: Regression
	25.	Logistische Regression	Canan
Dezember	02.	Overfitting, Multilayer Perceptron	Canan	Blatt: MLP
	09.	Backpropagation	Canan	Blatt: Backpropagation
	16.	Training & Testing, Performanzanalyse	Canan
	23.	Vorschau Deep Learning (CNN, RNN)	Canan
	30.	Prüfungsvorbereitung TDU	Canan

::: ::::::

Praktikum/Übung

:::::: {.tabs groupid="hochschule"} ::: {.tab title="HSBI"}

Blatt	Abgabe ILIAS	Vorstellung Praktikum
Blatt: Suche	Mo, 23.10., 17:00 Uhr (Link)	Mo, 23.10. / Di, 24.10.
Blatt: EA/GA	Mo, 30.10., 17:00 Uhr (Link)	Mo, 30.10. / Di, 31.10.
Blatt: Games	Mo, 06.11., 17:00 Uhr (Link)	Mo, 06.11. / Di, 07.11.
Blatt: DTL	Mo, 27.11., 17:00 Uhr (Link)	Mo, 27.11. / Di, 28.11.
Blatt: Perzeptron	Mo, 04.12., 17:00 Uhr (Link)	Mo, 04.12. / Di, 05.12.
Blatt: Regression	Mo, 18.12., 17:00 Uhr (Link)	Mo, 18.12. / Di, 19.12.
Blatt: MLP	Mo, 08.01., 17:00 Uhr (Link)	Mo, 08.01. / Di, 09.01.
Blatt: Backpropagation	Mo, 15.01., 17:00 Uhr (Link)	Mo, 15.01. / Di, 16.01.
Blatt: CSP	Mo, 13.11., 17:00 Uhr (Link)	Mo, 13.11. / Di, 14.11.
Blatt: Naive Bayes	Mo, 20.11., 17:00 Uhr (Link)	Mo, 20.11. / Di, 21.11.

Abgabe der Übungsblätter jeweils bis 08:00 Uhr im ILIAS.

::: ::: {.tab title="TDU"}

Blatt	Vorstellung Übung
Blatt: CSP	Do, 16.11.
Blatt: Naive Bayes	Do, 30.11.
Blatt: DTL	Do, 19.10.
Blatt: Suche	Do, 26.10.
Blatt: EA/GA	Do, 02.11.
Blatt: Games	Do, 09.11.
Blatt: Perzeptron	Do, 07.12.
Blatt: Regression	Do, 21.12.
Blatt: MLP	Do, 28.12.
Blatt: 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. :::