Programmiertechniken für die Künstliche Intelligenz   

Modulcode:	Inf-PtKI
Englische Bezeichnung:	Introduction to Artificial Intelligence
Modulverantwortliche(r):	Dr. Friedemann Simon
Turnus:	unregelmäßig (WS11/12)
Präsenzzeiten:	2V 2Ü
ECTS:	6
Workload:	180 Std.
Dauer:	ein Semester
Modulkategorien:	BSc-Old (alte Module)
Lehrsprache:	Deutsch

Kurzfassung:

Im Rahmen des klassischen Ansatzes der Künstlichen Intelligenz, beruhend auf symbolischer Wissensrepräsentation und symbolischer Informationsverarbeitung, lassen sich Programme entwickeln, denen man für ihren Zweck durchaus Intelligenz zusprechen kann (z.B. Expertensysteme, Computer-Spieler). Bei der exemplarischen Programmierung von Künstlicher Intelligenz werden Möglichkeiten und Grenzen des symbolischen Ansatzes deutlich (z.B. Lernfähigkeit). Mit Künstlichen Neuronalen Netzwerken lassen sich einfache Formen des Lernens erreichen; man muß aber auf Vorteile der symbolischen Wissensrepräsentation und Inferenz verzichten. Die aktuelle Forschung liefert Evidenz, dass für die Ausprägung von Intelligenz Software allein nicht ausreicht, sondern dass es bei einem intelligenten System ebenso auf dessen physische Ausprägung, seine Reaktion auf Ereignisse in der umgebenden Welt und auf seine Interaktion mit gleichartigen oder fremden Wesen ankommt.

Lernziele:

Die Studierenden erlernen Techniken und Methoden für die Entwicklung von Programmen, denen man in einem gewissen Rahmen Intelligenz zusprechen kann. Sie sind mit Grundfragen der wissenschaftstheoretischen Kritik an Künstlicher Intelligenz vertraut.

Lehrinhalte:

Zum Anspruch von KI: die physische Symbolsystemhypothese (Newell/ Simon) als Basis der klassischen, symbolischen KI, Kritik, neuere Ansaetze auf dem Weg zur Wissenschaft der intelligenten Systeme. Heuristische Suchverfahren: Suchbäume, Spielbäume. Expertensysteme: Formalismen zur Wisssensrepräsentation, Inferenzrelation. Deklarative Programmierung mit PROLOG, Schwerpunkt Wissensrepräsentation. Einführung in Neuronale Netze (subsymbolische KI): generisches Neuron, Netzwerkmodelle, Widrowsches Lernen, Hebbsches Lernen.

Voraussetzungen:

Prüfungsleistung:

Erfolgreiche Teilnahme an der Übung und mündliche Prüfung am Ende der Vorlesung

Lehr- und Lernmethoden:

Verwendbarkeit:

Literatur:

• G.F. Luger: Künstliche Intelligenz. 4. Aufl., Addison-Wesley, 2001
• S. Russel, P. Norvig: Artificial Intelligence, A Modern App