[Chair]  [Computer Science Department (FBI)]  [University Dortmund] 

Folien

Skript

Übungen

Software

Links

Applets

WS 05/06:
Vorlesung Künstliche Intelligenz


Dozent: PD Dr. Stefan Edelkamp Betreuer: M.Sc. Shahid Jabbar Zeiten: Mi 14-16, Fr 12-14 (Campus Süd, HG I/HS 3) Übungen: vorl. Fr 16-18 (GB IV, R 126)

Inhalt

Die Vorlesung gibt eine problem- und algorithmenorientierte Einführung in Methoden der Künstlichen Intelligenz (KI). Wichtige Teilgebiete der modernen KI-Forschung werden angesprochen: Problemlösen durch Suche, Logikbasierte Agenten, Handlungsplanung, Zwei- und Mehrpersonenspiel, Handeln unter Unsicherheit, Maschinelles Lernen, und Robotik. Ziel ist es, den Studierenden einen Überblick über die verschiedenen Techniken der KI zu vermitteln.

Aufbau

Begonnen wird mit einer allgemeinen Einführung in die KI, indem verschiedene aktuelle KI-Projekte angesprochen werden. Der Hauptteil der Vorlesung geht auf Problemlösestrategien ein und stellt verschiedene Suchstrategien vor. Die Handlungsplanung wird als Suche im Zustandsraum eingeführt. Die Wahrscheinlichkeitstheorie hilft, Agenten zu konstruieren, die mit unsicherem Wissen arbeiten können. Die Vorlesung beschäftigt sich mit Verfahren des Maschinellen Lernens und Anwendungen in der Robotik.
  1. Zur Einführung: Definitionsversuche KI; Vorstellung verschiedener aktueller KI Projekte; Einführung in (intelligente) Agenten: Reflexagenten, zielbasierte Agenten, nutzenbasierte Agenten und deren Umgebungen.
  2. Zum Problemlösen: Problemdarstellung; Einfache Suchstrategien: Breitensuche, kostenoptimierte Breitensuche, Tiefensuche, Tiefensuche mit maximaler Tiefe, fortschreitende Vertiefung, bidirektionale Suche; Informierte Suche: Bestensuche, gierige Suche, A*, IDA*-Suche; Heuristiken; Verbesserte Algorithmen: Bergsteigen, Simulated Annealing.
  3. Zur Logik: Repräsentation und Schlussfolgerungen; Aussagenlogik: Syntax, Semantik, Inferenzmechanismen; Logik erster Stufe: Syntax, Semantik, Inferenzmechanismen, Situationskalkül, Frame-Problem, Resolutionsbeweis, Normalformen, Resolutionsstrategien, Vollständigkeit.
  4. Zum Planen: Planen im Situationskalkül; Repräsentationsformen; Partial Order Planung; Graphplanung; Erfüllbarkeitsplanen; BDD Planung; und Planen durch heuristische Suche.
  5. Zur Wahrscheinlichkeitstheorie: Unsicheres Wissen; Entwurf eines entscheidungstheoretischen Agenten; Baye'sche Regeln; Wahrscheinlichkeitsbasierte Schlussfolgerungssysteme; Belief Netzwerke; und Inferenz auf Belief Netzwerken.
  6. Zum Maschinellen Lernen: Entscheidungsbäume; Neuronale und Bayes Netze; Lernen von Makrooperatoren und Kontrollregeln.
  7. Zur Robotik: Beispiele von Industrierobotern bis hin zu humanoiden Robotern; Typen von Sensorinformationen: Sonar, Laser, GPS, Kamara, Odometrie; Selbstlokalisation, Integration von Information durch Kalman Filter; Kartenerstellung; Pfadplanung

Literatur

Prüfungsrelevant sind die Folien der Vorlesung. Zur Vertiefung der Vorlesung dient die Buchvorlage
  • Stefan Edelkamp, Stefan Schroedl, and Sven Koenig
    Theory and Practice of Heuristic Search
    Submitted to Morgan Kaufmann
Künstliche Intelligenz

Stefan Edelkamp (stefan.edelkamp@cs.uni-dortmund.de)