Skip to content

Artificial-Intelligence-HSBI-TDU/KI-Vorlesung

Repository files navigation

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

Kursformat

{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)

::: ::::::

Fahrplan

:::::: {.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)"}

KW Monat Tag Vorlesung Lead Abgabe Übung
40 Sep 30. Orga (Zoom); Einführung KI, Problemlösen Canan, Carsten
41 Okt 07. (12:30 - 13:30 Uhr TR) Machine Learning 101, Perzeptron Canan
42 14. Lineare Regression Canan Blatt: Perzeptron
43 21. Logistische Regression Canan
44 28. Overfitting, Multilayer Perceptron Canan Blatt: Regression
45 Nov 04. Backpropagation Canan Blatt: MLP
46 11. Training & Testing, Performanzanalyse Canan Blatt: Backpropagation
47 18. Zwischenprüfung
48 25. Tiefensuche, Breitensuche, Branch-and-Bound, Best First, A-Stern Carsten
49 Dez 02. Gradientensuche, Simulated Annealing; Intro EA/GA, Genetische Algorithmen Carsten Blatt: Suche
50 09. Optimale Spiele, Games mit Minimax, Minimax und Heuristiken, Alpha-Beta-Pruning Carsten Blatt: EA/GA
51 16. (Google Meet) Vorschau Deep Learning (CNN, RNN) Canan Blatt: Games
52 23. (Google Meet) Prüfungsvorbereitung TDU Canan
01 30. (KEINE Sprechstunde) Machine Learning 101, CAL2, Pruning, CAL3, Entropie, ID3 und C4.5
02 Jan 06. Einführung Constraints, Lösen von diskreten CSP, CSP und Heuristiken, Kantenkonsistenz und AC-3 Carsten Blatt: DTL
03 13. Wahrscheinlichkeitstheorie, Naive Bayes Carsten Blatt: CSP

::: ::::::

Prüfungsform, Note und Credits

:::::: {.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.

::: ::::::

Materialien

  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.

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. :::