Die Studierenden kennen und verstehen fortgeschrittene Problemstellungen und Konzepte der Künstlichen Intelligenz (KI). Sie kennen Lösungsansätze für typische KI-Probleme. 

Die Studierenden sind in der Lage, entsprechende Verfahren und Algorithmen anzuwenden, zu konstruieren und zu implementieren sowie deren Leistungsfähigkeit abzuschätzen und zu beurteilen. 

Durch praktische Übungen mit vorhandenen Tools wird anwendungsbereites Wissen besonders gefestigt. 

• Constraint Satisfaction Problems
• Bayessche Netze, als Tool z.B. für Spamfilter/Security und medizinische Diagnose (www.hugin.com) 
• Evolutionäre Algorithmen und Optimierung (Lösungsraumsuche, GA, GP, MOEA)
• Reinforcement Learning von Agenten in stochastischen Welten (MDPs, modellbasierte und modellfreie Verfahren)
• Generative Sprachmodelle oder Prozess-Mining abhängig von verbleibender Zeit und Interesse 

• Russell, S.; Norvig, P.: Artificial Intelligence: A Modern Approach, (4th Edition), 2021
• Boersch I., Heinsohn J., Socher R.: Wissensverarbeitung - Eine Einführung in die Künstliche Intelligenz. Spektrum, 2. Auflage, 2007.
• Pearl, Judea: Causality. Cambridge University Press, Cambridge, 2000
• Sutton, R. S.; Barto, A. G.: Reinforcement Learning: An Introduction. Cambridge, MA, 2018.
• Ris-Ala, R.: Fundamentals of Reinforcement Learning. Springer Nature, 2023

Vorlesung, Übungen am PC

Deutsch

PL

Klausur oder Belegarbeit mit Gespräch/Präsentation

6

4