grundlagen der künstlichen intelligenz · grundlagen der künstlichen intelligenz marc toussaint...
TRANSCRIPT
![Page 1: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/1.jpg)
Grundlagen der Künstlichen Intelligenz
Marc ToussaintMachine Learning & Robotics LabUniversität Stuttgart
[email protected]://ipvs.informatik.uni-stuttgart.de/mlr/marc/
KI – Wintersemester 2013/2014
![Page 2: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/2.jpg)
Vorlesungen IS
Bachelor:– Grundlagen der Künstlichen Intelligenz (3+1 SWS)
Master: Vertiefungslinie Intelligente Systeme– gemeinsam angeboten mit Andres Bruhn (Computer Vision)
Vorlesungen der Vertiefungslinie IS:– Mathematics for Intelligent Systems (Nathan Ratliff)
– Introduction to Robotics (Toussaint)
– SS: Machine Learning (Toussaint)
– SS: Optimization (Toussaint)
– Reinforcement Learning (Ngo)
Hauptseminare:– Advanced Machine Learning (Toussaint)
– SS: Advanced Robotics (Toussaint)
Vorlesungen der Abteilung MLR
3
![Page 3: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/3.jpg)
Vorlesungen IS
Vorlesungen der Vertiefungslinie IS:– Computer Vision (Bruhn)
– SS: Correspondence Problems in Computer Vision (Bruhn)
Hauptseminare:– Recent Advances in Computer Vision (Bruhn)
Weitere Veranstaltungen von Andres Bruhn
4
![Page 4: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/4.jpg)
Organisatorisches (1)
Mathematik für Informatiker und Softwaretechniker außerdem hilfreich:
Algorithmen und Datenstrukturen Theoretische Informatik
Welche Voraussetzung werden empfohlen?
7
![Page 5: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/5.jpg)
Organisatorisches (4)
Schriftliche Prüfung, 90 Minuten
keine Hilfsmittel erlaubt
Anmeldung: Im LSF / beim Prüfungsamt
Prüfungszulassung: 50% der Punkte der Übungsaufgaben
Vorrechnen: bis zu zwei mal im Semester möglich gibt die Hälfte der Aufgabenpunkte zusätzlich
Registrierung und Skript Webseite zur Vorlesung:
https://ipvs.informatik.uni-stuttgart.de/mlr/marc/teaching/
das Skript wird dort zu jeder Vorlesung online gestellt(passwortgeschützt)
Prüfungsmodalitäten
8
![Page 6: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/6.jpg)
Inhalt (1)
Grundlagen der KI:– Lösungs-Suche, Spiele, Logik, Inferenz
Nicht
Mustererkennung (Computer Vision, Sprache)
Lernen (Maschinelles Lernen, Reinforcement Lernen)
Inhalt
13
![Page 7: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/7.jpg)
Inhalt (2)
1. Einführung
2. Intelligente Agenten
3. Problemlösen durch Suchen
4. Heuristische Suche
5. Probleme mit Rand- oder Nebenbedingungen
6. Adversariale Suche
7. Logik-basierte Agenten
8. Prädikatenlogik
9. Prädikatenlogische Inferenz
Kapitel-Nummerierung wie Russel-Norvig
16
![Page 8: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/8.jpg)
Inhalt (3)
13. Unsicherheit
14. Probablistisches Schließen
15. Inferenz über die Zeit
16. Rationale Entscheidungen
17. Komplexe Entscheidungen
17
Kapitel-Nummerierung wie Russel-Norvig
![Page 9: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/9.jpg)
Inhalt (4)
Intelligenz Definitionen der KI Rationalität
1. Einführung
18
![Page 10: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/10.jpg)
Inhalt (5)
Agenten Umgebungen Agententypen
2. Intelligente Agenten
19
Schematischer Aufbau eines Agenten
![Page 11: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/11.jpg)
Inhalt (6)
Problemtypen Problemformulierung Beispielprobleme Suchbäume Suchstrategien
3. Problemlösen durch Suchen
20Routenplanung als Suchproblem
Routenplanung
![Page 12: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/12.jpg)
Inhalt (7)
Informierte Suche Lokale Suchalgorithmen Nichtdeterministische Suche
4. Heuristische Suche
21Routenplanung mit Luftlinien-Heuristik
![Page 13: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/13.jpg)
Inhalt (8)
Constraint Satisfaction Problems (CSPs) Backtracking, Variablen und Werteauswahl,
Sackgassenvorhersage, Vorteilhafte Spezialfälle Lokale Suche
5. Probleme mit Rand- oder Nebenbedingungen
22Lösung des Einfärbeproblems mit drei Farben
![Page 14: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/14.jpg)
Inhalt (9)
Spiele Minimax für zwei Spieler α-β Pruning Minimax für mehrere Spieler Nicht-deterministische Spiele Kartenspiele
6. Adversariale Suche
23
Suchbaum für Spiel mit Würfelkomponente
Schach bzw. Kartenspiel
![Page 15: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/15.jpg)
Inhalt (10)
Wissens-basierte Agenten Wumpus Welt Aussagenlogik Inferenzregeln, Modus Ponens, Resolution Vorwärtsverkettung, Rückwärtsverkettung
7. Logik-basierte Agenten
24Wumpus Welt
Inferenz durch Vorwärtsverkettung
Inferenzregel für Bikonditional
)()(
![Page 16: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/16.jpg)
Inhalt (11)
Prädikatenlogik vs. Aussagenlogik Quantoren Anwendung der Prädikatenlogik Wissensreprästentation in Prädikatenlogik Repräsentation von Veränderungen
8. Prädikatenlogik
25
Represäntation von VeränderungenPrädikatenlogik
![Page 17: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/17.jpg)
Inhalt (12)
Instantiierung Reduktion auf aussagenlogische Inferenz Generalisierter Modus Ponens Unifikation Vorwärtsverkettung, Rückwärtsverkettung Resolution
x König(x) Gierig(x) Böse(x)
König(John)
y Gierig(y)
Bruder(Richard,John)
9. Prädikatenlogische Inferenz
26
Prädikatenlogische Inferenz
![Page 18: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/18.jpg)
Inhalt (13)
Wahrscheinlichkeit Bedingte Wahrscheinlichkeit Inferenz Unabhängigkeit Bedingte Unabhängigkeit Bayes’sche Regel
13. Unsicherheit
27
P(loch | zahnschmerzen) = P( loch zahnschmerzen) / P(zahnschmerzen)* = (0.016+0.064) / (0.108 + 0.012 + 0.016 + 0.064) = 0.4
Gemeinsame Wahrscheinlichkeiten
Berechnung bedingter Wahrscheinlichkeiten
![Page 19: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/19.jpg)
Inhalt (14)
Bedingte Wahrscheinlichkeitstabellen Bayes-Netze
14. Probabilistisches Schließen
28
Bayes-Netz
![Page 20: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/20.jpg)
Inhalt (15)
Markov-Prozesse Inferenz: Filterung, Vorhersage, Glättung, wahrsch. Erklärung Hidden Markov Modelle Kalman Filter Dynamische Bayes-Netze Spracherkennung
15. Inferenz über die Zeit
29
Hidden Markov Modell (HMM) Kalman-Filterung von Trajektorien
![Page 21: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/21.jpg)
Inhalt (16)
Rationale Prioritäten Nutzenfunktion Geld Entscheidungsnetzwerke Wert von Information
MEN-Prinzip:
Wähle die Aktion A, die zur Maximierung des Erwarteten Nutzens führt.
EU(A | E) = i P(Resultati(A) | A, E) U(Resultati(A)).
16. Rationale Entscheidungen
30
Lotterie/Aktion mit rationalem Ergebnis
Berechnung des erwarteten Nutzens
![Page 22: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/22.jpg)
Inhalt (17)
Sequentielle Entscheidungen Markov Entscheidungsprozesse Optimale Taktik Wert- und Taktikiteration
17. Komplexe Entscheidungen
31Optimale Taktik (Handlungsschema) für Markov Entscheidungsprozess
Konvergenz von Nutzen und Taktik
![Page 23: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/23.jpg)
Organisation der Übungen
Wir werden ca. 5 Probleme definieren:
– Kürzester Weg in einer Karte [Suchmethoden]
– CSP Probleme wie Sudoku und map coloring
– Wumpus Welt (geplant)
– Spam Filter mit Naive Bayes
– Samplingmethoden
– Schach/TicTacToe oder andere Spiele mit MCTS/UCT
Problem-orientierte Herangehensweise
32
![Page 24: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/24.jpg)
Organisation der Übungen
Eine gemeinsame Übung, 14-tägig, Donnerstag 11:30
Die meisten Aufgaben werden Programmieraufgaben sein– In den Übungsstunden besprechen wir den Lösungen und code
– Einzelne Nicht-Programmier-Aufgaben werden hier in der Präsenz-Übungen diskutiert
Lösungen können in Gruppen abgegeben werden
Lösungen werden an einen gitlab server eingecheckt und automatisch getestet
Generische Programmiersprache: Python
33
![Page 25: Grundlagen der Künstlichen Intelligenz · Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de](https://reader030.vdocuments.pub/reader030/viewer/2022040407/5ead18dfc826524f50783496/html5/thumbnails/25.jpg)
Literatur
● Stuart Russell & Peter Norvig: Artificial Intelligence – A Modern Approach (Pearson)
Hauptliteratur
34