| archetype | title |
|---|---|
home |
IFM 3.2 (PO23) / IFM 5.14 (PO18) / INF701: Künstliche Intelligenz (Winter 2024/25) |
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, ...
- 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
- 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
Inferenz, Logik(entfällt im W24)Prädikatenlogik: Modellierung, semantische und formale Beweise, Unifikation, ResolutionAusblick: Anwendung in Prolog
- Carsten Gips (HSBI, Sprechstunde nach Vereinbarung)
- Canan Yıldız (TDU)
- Fulya Yenilmez (TDU)
{width="80%"}
:::::: {.tabs groupid="hochschule"} ::: {.tab title="IFM 3.2 GKI (HSBI, PO23, 3. Semester)"}
Vorlesung (2 SWS)
| 07.10. - 24.01. |
|---|
| Mo, 11:00 - 12:30 Uhr (DE) (online) |
| (Flipped Classroom) |
Praktikum (2 SWS)
| Praktikumsgruppe | 07.10. - 24.01. |
|---|---|
| G1 | Mo, 17:00 bis 18:30 Uhr (DE) (online) |
| G2 | Mo, 15:15 bis 16:45 Uhr (DE) (online) |
| G3 | Di, 09:45 bis 11:15 Uhr (DE) (online) |
Online-Sitzungen per Zoom (Zugangsdaten siehe ILIAS IFM 3.2 GKI (PO23, 3. Semester)). Sie können hierzu den Raum J101 bzw. J102 (siehe Stundenplan) nutzen.
::: ::: {.tab title="IFM 5.14 KI (HSBI, PO18, 5. Semester)"}
Vorlesung (2 SWS)
| 07.10. - 24.01. |
|---|
| Mo, 11:00 - 12:30 Uhr (DE) (online) |
| (Flipped Classroom) |
Praktikum (2 SWS)
| Praktikumsgruppe | 07.10. - 24.01. |
|---|---|
| G1 | Mi, 11:30 bis 13:00 Uhr (DE) (online) |
| G2 | Mi, 14:00 bis 15:30 Uhr (DE) (online) |
| G3 | Fr, 11:30 bis 13:00 Uhr (DE) (online) |
Online-Sitzungen per Zoom (Zugangsdaten siehe ILIAS IFM 5.14 KI (PO18, 5. Semester)). Sie können hierzu den Raum J101 bzw. J102 (siehe Stundenplan) nutzen.
::: ::: {.tab title="INF701 KI (TDU)"}
Vorlesung (2 SWS)
| 30.09. - 25.10. | 28.10. - 15.01. |
|---|---|
| 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)
Übung (2 SWS)
| Übungsgruppe | 30.09. - 15.01. |
|---|---|
| G1 / G2 | wird bekanntgegeben |
| G3 / G4 | wird bekanntgegeben |
| online |
Sitzungen per Google Meet (Zugangsdaten siehe Google Classroom)
::: ::::::
:::::: {.tabs groupid="hochschule"} ::: {.tab title="IFM 3.2 GKI (HSBI, PO23, 3. Semester)"}
Hier finden Sie einen abonnierbaren Google Kalender IFM 3.2 GKI (PO23, 3. Semester) mit allen Terminen der Veranstaltung zum Einbinden in Ihre Kalender-App.
Abgabe der Übungsblätter jeweils Montag bis 11:00 Uhr im ILIAS. Vorstellung der Lösung im jeweiligen Praktikum in der Abgabewoche.
| Monat | Woche | Vorlesung | Lead | Abgabe Aufgabenblatt | Vorstellung Praktikum |
|---|---|---|---|---|---|
| Oktober | 41 | 07.: Orga (Zoom); Einführung KI, Problemlösen; Machine Learning 101, Perzeptron | Carsten, Canan | ||
| 42 | 14.: Lineare Regression | Canan | 14.: Blatt: Perzeptron | 14. / 15. | |
| 43 | 21.: Logistische Regression | Canan | |||
| 44 | 28.: Overfitting, Multilayer Perceptron | Canan | 28.: Blatt: Regression | 28. / 29. | |
| November | 45 | 04.: Backpropagation | Canan | 04.: Blatt: MLP | 04. / 05. |
| 46 | 11.: Training & Testing, Performanzanalyse | Canan | 11.: Blatt: Backpropagation | 11. / 12. | |
| 47 | 18.: Machine Learning 101, CAL2, Pruning, CAL3, Entropie, ID3 und C4.5 | Carsten | |||
| 48 | 25.: Tiefensuche, Breitensuche, Branch-and-Bound, Best First, A-Stern | Carsten | 25.: Blatt: DTL | 25. / 26. | |
| Dezember | 49 | 02.: Gradientensuche, Simulated Annealing; Intro EA/GA, Genetische Algorithmen | Carsten | 02.: Blatt: Suche | 02. / 03. |
| 50 | 09.: Optimale Spiele, Games mit Minimax, Minimax und Heuristiken, Alpha-Beta-Pruning | Carsten | 09.: Blatt: EA/GA | 09. / 10. | |
| 51 | 16.: Projektwoche Semester 1+3 | ||||
| 52 | 23.: Weihnachtspause | ||||
| 01 | 30.: Weihnachtspause | ||||
| Januar | 02 | 06.: Einführung Constraints, Lösen von diskreten CSP, CSP und Heuristiken, Kantenkonsistenz und AC-3 | Carsten | 06.: Blatt: Games | 06. / 07. |
| 03 | 13.: Wahrscheinlichkeitstheorie, Naive Bayes | Carsten | 13.: Blatt: CSP | 13. / 14. | |
| 04 | 20.: Rückblick (Zoom), Prüfungsvorbereitung HSBI | Carsten | 20.: Blatt: Naive Bayes | 20. / 21. | |
| (Prüfungsphase I) | Klausur: Di, 04. Feb 2025, 10-18 Uhr (je Klausur 90', Vergabe ca. 2 Wochen vorher) | ||||
| (Prüfungsphase II) | Klausur: Di, 01. Apr 2025, 10-16 Uhr (je Klausur 90', Vergabe ca. 2 Wochen vorher) |
::: ::: {.tab title="IFM 5.14 KI (HSBI, PO18, 5. Semester)"}
Hier finden Sie einen abonnierbaren Google Kalender IFM 5.14 KI (PO18, 5. Semester) mit allen Terminen der Veranstaltung zum Einbinden in Ihre Kalender-App.
Abgabe der Übungsblätter jeweils Mittwoch bis 11:00 Uhr im ILIAS. Vorstellung der Lösung im jeweiligen Praktikum in der Abgabewoche.
| Monat | Woche | Vorlesung | Lead | Abgabe Aufgabenblatt | Vorstellung Praktikum |
|---|---|---|---|---|---|
| Oktober | 41 | 07.: Orga (Zoom); Einführung KI, Problemlösen; Machine Learning 101, Perzeptron | Carsten, Canan | ||
| 42 | 14.: Lineare Regression | Canan | 16.: Blatt: Perzeptron | 16. / 18. | |
| 43 | 21.: Logistische Regression | Canan | |||
| 44 | 28.: Overfitting, Multilayer Perceptron | Canan | |||
| November | 45 | 04.: Backpropagation | Canan | 06.: Blatt: Regression | 06. / 08. |
| 46 | 11.: Training & Testing, Performanzanalyse | Canan | 13.: Blatt: MLP | 13. / 15. | |
| 47 | 18.: Machine Learning 101, CAL2, Pruning, CAL3, Entropie, ID3 und C4.5 | Carsten | 20.: Blatt: Backpropagation | 20. / 22. | |
| 48 | 25.: Tiefensuche, Breitensuche, Branch-and-Bound, Best First, A-Stern | Carsten | 27.: Blatt: DTL | 27. / 29. | |
| Dezember | 49 | 02.: Gradientensuche, Simulated Annealing; Intro EA/GA, Genetische Algorithmen | Carsten | 04.: Blatt: Suche | 04. / 06. |
| 50 | 09.: Optimale Spiele, Games mit Minimax, Minimax und Heuristiken, Alpha-Beta-Pruning | Carsten | 11.: Blatt: EA/GA | 11. / 13. | |
| 51 | 16.: Projektwoche Semester 1+3 | 18.: Blatt: Games | 18. / 20. | ||
| 52 | 23.: Weihnachtspause | ||||
| 01 | 30.: Weihnachtspause | ||||
| Januar | 02 | 06.: Einführung Constraints, Lösen von diskreten CSP, CSP und Heuristiken, Kantenkonsistenz und AC-3 | Carsten | ||
| 03 | 13.: Wahrscheinlichkeitstheorie, Naive Bayes | Carsten | 15.: Blatt: CSP | 15. / 17. | |
| 04 | 20.: Rückblick (Zoom), Prüfungsvorbereitung HSBI | Carsten | 22.: Blatt: Naive Bayes | 22. / 24. | |
| (Prüfungsphase I) | Klausur: Di, 04. Feb 2025, 10-18 Uhr (je Klausur 90', Vergabe ca. 2 Wochen vorher) | ||||
| (Prüfungsphase II) | Klausur: Di, 01. Apr 2025, 10-16 Uhr (je Klausur 90', Vergabe ca. 2 Wochen vorher) |
::: ::: {.tab title="INF701 KI (TDU)"}
::: ::::::
:::::: {.tabs groupid="hochschule"} ::: {.tab title="IFM 3.2 GKI (HSBI, PO23, 3. Semester)"}
Klausur plus Testat, 5 ECTS
-
Testat: Vergabe der Credit-Points
Kriterien: Mindestens 6 der 10 Aufgabenblätter erfolgreich bearbeitet.
("erfolgreich bearbeitet": Bearbeitung individuell (also in 1er Teams), je mindestens 60% bearbeitet, fristgerechte Abgabe der Lösungen im ILIAS, Vorstellung der Lösungen im Praktikum)
-
Klausur: => Modulnote
Schriftliche Prüfung ("Klausur") am Ende des Semesters (in beiden Prüfungszeiträumen; Prüfungsvorbereitung HSBI).
::: ::: {.tab title="IFM 5.14 KI (HSBI, PO18, 5. Semester)"}
Klausur plus Testat, 5 ECTS
-
Testat: Vergabe der Credit-Points
Kriterien: Mindestens 6 der 10 Aufgabenblätter erfolgreich bearbeitet.
("erfolgreich bearbeitet": Bearbeitung individuell (also in 1er Teams), je mindestens 60% bearbeitet, fristgerechte Abgabe der Lösungen im ILIAS, Vorstellung der Lösungen im Praktikum)
-
Klausur: => Modulnote
Schriftliche Prüfung ("Klausur") am Ende des Semesters (in beiden Prüfungszeiträumen; Prüfungsvorbereitung HSBI).
::: ::: {.tab title="INF701 KI (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.
::: ::::::
- "Artificial Intelligence: A Modern Approach" (AIMA). Russell, S. und Norvig, P., Pearson, 2020. ISBN 978-0134610993.
- "Introduction to Artificial Intelligence". Ertel, W., Springer, 2017. ISBN 978-3-319-58487-4. DOI 10.1007/978-3-319-58487-4.
- "An Introduction to Machine Learning". Kubat, M., Springer, 2017. ISBN 978-3-319-63913-0. DOI 10.1007/978-3-319-63913-0.
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.
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
Unless otherwise noted, this work is licensed under CC BY-SA 4.0. :::