Inhalt
| Inhalt |
* Einführung und Geschichte der KI
* Intelligente Agenten
* Wissensverarbeitung mit Logik
* Suchen, Spielen, Problemlösen
* Maschinelles Lernen und Data Mining
- Entscheidungsbäume
- Neuronale Netze
- Nearest-Neighbor-Methoden
- Reinforcement Learning
* Unsicherheit, Wahrscheinlichkeit, Entscheidungstheorie, Bayes-Netze
* Anwendungen (u.a. Expertensysteme, Autonome Roboter)
Übungen zu Theorie und Praxis aller Teilgebiete vertiefen das Verständnis der behandelten Themen.
* Data Warehouses
* Online Analytical Processing
* Datenaufbereitung für Data Mining
* Korrelationsanalyse
* Warenkorbanalyse mit dem Apriori-Algorithmus |
| Literatur |
http://erde.fbe.fh-weingarten.de/ertel/vorlesungen/ki/ki.html
W. Ertel: Künstliche Intelligenz, Vieweg (erscheint 2006)
C. Beierle and G. Kern-Isberner: Methoden wissensbasierter Systeme, Vieweg 2000 |
| Lernziele |
Die Studierenden verstehen das Zusammenspiel der unterschiedlichen Disziplinen wie z.B. Logik, Statistik, Neuronale Netze und Kognitionswissenschaften, die zu intelligentem Verhalten beitragen. Sie kennen die Theorie und die Anwendbarkeit der wichtigsten Verfahren und Prinzipien der unten angegebenen Teilgebiete der KI.
Die Studierenden verstehen die Induktion von Entscheidungsbäumen sowie die Anwendung Bayesschen Schließens bei unsicherem Wissen. Die Studierenden kennen die Bezüge zu Data Mining und zu maschinellem Lernen. Sie kennen außerdem die Architekturen und Problemstellungen autonomer intelligenter Systeme am Beispiel mobiler Roboter.
Die Studierenden können Rohdaten so aufbereiten, dass sie für Data Mining geeignet sind. Sie können ein Data Warehouse entwickeln und die Daten mit OLAP (Online Analytical Processing) darstellen und analysieren. |
| Voraussetzungen |
Programmieren, Grundlagen der Informatik, Mathematik-Grundlagen |
| Leistungsnachweis |
Unbenotete Prüfungsleistung: --- .
Benotete Prüfungsleistung: Klausur, 60 Minuten. |
