In diesem Buch werden alle Teilgebiete der KI kompakt, leicht verständlich und anwendungsbezogen vorgestellt. Der Autor kennt das Gebiet nicht nur bestens aus Forschung und praktischer Anwendung, sondern engagiert sich auch erfolgreich in der Lehre. Die Themen reichen von der klassischen Logik über das Schließen mit Unsicherheit und maschinelles Lernen bis hin zu Anwendungen wie Diagnosesysteme, lernfähige Roboter oder Kreativität in der KI.
Sie profitieren von dem umfassenden Einblick in dieses faszinierende Teilgebiet der Informatik, wobei, abgesehen von grundlegenden Programmierkenntnissen sowie etwas Mathematik, alle Voraussetzungen für ein gutes Verständnis bereitgestellt werden. Sie gewinnen vertiefte Kenntnisse, z.B. hinsichtlich der wichtigsten Verfahren zur Repräsentation und Verarbeitung von Wissen und in dem immer wichtiger werdenden Gebiet des maschinellen Lernens. Vor allem der Anwendungsbezug steht im Fokus der Darstellung. Viele Übungsaufgaben mit Lösungen sowie eine strukturierte Liste mit Verweisen auf Literatur und Ressourcen im Web ermöglichen ein effektives und kurzweiliges Selbststudium.
Verlagstext
/ AUS DEM INHALT: / / /
Inhaltsverzeichnis:
1 Einführung 1
1.1 Was ist Künstliche Intelligenz 1
1.2 Geschichte der KI 6
1.3 KI und Gesellschaft 12
1.4 Agenten 18
1.5 Wissensbasierte Systeme 20
1.6 Übungen 22
2 Aussagenlogik 25
2.1 Syntax 25
2.2 Semantik 26
2.3 Beweisverfahren 29
2.4 Resolution 33
2.5 Hornklauseln 37
2.6 Berechenbarkeit und Komplexität 39
2.7 Anwendungen und Grenzen 40
2.8 Übungen 40
3 Prädikatenlogik erster Stufe 43
3.1 Syntax 44
3.2 Semantik 45
3.3 Quantoren und Normalformen 50
3.4 Beweiskalküle 54
3.5 Resolution 55
3.6 Automatische Theorembeweiser 61
3.7 Mathematische Beispiele 62
3.8 Anwendungen 65
3.9 Zusammenfassung 68
3.10 Übungen 68
4 Grenzen der Logik 71
4.1 Das Suchraumproblem 71
4.2 Entscheidbarkeit und Unvollständigkeit 73
4.3 Der fliegende Pinguin 75
4.4 Modellierung von Unsicherheit 78
4.5 Übungen 79
5 Logikprogrammierung mit Prolog 81
5.1 Prolog-Systeme und Implementierungen 82
5.2 Einfache Beispiele 82
5.3 Ablaufsteuerung und prozedurale Elemente 85
5.4 Listen 87
5.5 Selbstmodifizierende Programme 89
5.6 Ein Planungsbeispiel 90
5.7 Constraint Logic Programming 92
5.8 Zusammenfassung 94
5.9 Übungen 95
6 Suchen, Spielen und Probleme lösen 99
6.1 Einführung 99
6.2 Uninformierte Suche 106
6.3 Heuristische Suche 112
6.4 Spiele mit Gegner 123
6.5 Heuristische Bewertungsfunktionen 128
6.6 Stand der Forschung 130
6.7 Übungen 133
7 Schließen mit Unsicherheit 137
7.1 Rechnen mit Wahrscheinlichkeiten 139
7.2 Die Methode der Maximalen Entropie 148
7.3 LEXMED, ein Expertensystem für Appendizitisdiagnose 157
7.4 Schließen mit Bayes-Netzen 172
7.5 Zusammenfassung 185
7.6 Übungen 186
8 Maschinelles Lernen und Data Mining 191
8.1 Datenanalyse 197
8.2 Das Perzeptron, ein linearer Klassifizierer 199
8.3 Nearest Neighbour-Methoden 206
8.4 Lernen von Entscheidungsbäumen 217
8.5 Kreuzvalidierung und Überanpassung 232
8.6 Lernen von Bayes-Netzen 234
8.7 Der Naive-Bayes-Klassifizierer 237
8.8 One-Class-Learning 242
8.9 Clustering 244
8.10 Data Mining in der Praxis 253
8.11 Zusammenfassung 257
8.12 Übungen 259
9 Neuronale Netze 265
9.1 Von der Biologie zur Simulation 266
9.2 Hopfield-Netze 271
9.3 Neuronale Assoziativspeicher 277
9.4 Lineare Netze mit minimalem Fehler 284
9.5 Der Backpropagation-Algorithmus 291
9.6 Support-Vektor-Maschinen 298
9.7 Deep Learning 299
9.8 Kreativität 305
9.9 Anwendungen von Neuronalen Netzen 308
9.10 Zusammenfassung und Ausblick 308
9.11 Übungen 309
10 Lernen durch Verstärkung (Reinforcement Learning) 313
10.1 Einführung 313
10.2 Die Aufgabenstellung 316
10.3 Uninformierte kombinatorische Suche 317
10.4 Wert-Iteration und Dynamische Programmierung 319
10.5 Ein lernender Laufroboter und seine Simulation 322
10.6 Q-Lernen 324
10.7 Erkunden und Verwerten 328
10.8 Approximation, Generalisierung und Konvergenz 329
10.9 Anwendungen 330
10.10 AlphaGo, der Durchbruch beim Go-Spiel 331
10.11 Fluch der Dimensionen 333
10.12 Zusammenfassung und Ausblick 334
10.13 Übungen 335
11 Lösungen zu den Übungen 337
11.1 Einführung 337
11.2 Aussagenlogik 338
11.3 Prädikatenlogik 340
11.4 Grenzen der Logik 342
11.5 Prolog 342
11.6 Suchen, Spielen und Probleme lösen 344
11.7 Schließen mit Unsicherheit 347
11.8 Maschinelles Lernen und Data Mining 354
11.9 Neuronale Netze 362
11.10 Lernen durch Verstärkung 364
Literatur 367
Sachverzeichnis 379