Überblick

Dozent: Florian Dahms, R 1-138

• Vorlesung: Mittwoch 10:00-11:30 (1-313), Donnerstag 08:15-09:30 (1-313)
• Übung: Freitag 08:00-09:30 (1-314)
• OLAT
• Übungsaufgaben auf Jupyter
• Bis zu 10 Bonuspunkte für die Klausur
• Abschlussklausur

Referenzen

• "Artificial Intelligence: A Modern Approach", Stuart Russel, Peter Norvig
• Stanfords CS221

Achtung: Denglisch

Viele Englische Begriffe haben kein (gebräuchliches) deutsches Pendant oder es finden sich keine guten Ressourcen, wenn man nach diesem sucht.

Künstliche Intelligenz

Rational handelnde Maschinen

https://commons.wikimedia.org/wiki/File:Fig-X_All_ML_as_a_subfield_of_AI.jpg

Turing Test

https://commons.wikimedia.org/wiki/File:Test_de_Turing.jpg

https://www.bostondynamics.com

Brettspiele

https://www.deepmind.com/blog/alphazero-shedding-new-light-on-chess-shogi-and-go

Planungsprobleme

https://commons.wikimedia.org/wiki/File:UCC_Athletic_Event_Scheduling_Board.jpg

Autopiloten

https://commons.wikimedia.org/wiki/File:Tesla_Autopilot_Engaged_in_Model_X.jpg

Virtuelle Assistenten

https://en.wikipedia.org/wiki/File:Android_Assistant_on_the_Google_Pixel_XL_smartphone_(29526761674).jpg
https://en.wikipedia.org/wiki/File:Amazon_Echo.jpg

Automatische Übersetzung

Google Translate

3 Hauptparadigmen

• Modellierung
• Schlussfolgern
• Lernen

Modellierung

$\Rightarrow$

https://en.wikipedia.org/wiki/File:Bratislava_SPOT_1027.jpg

"All models are wrong, but some are useful"

George Box

Lernen

$\Rightarrow$ Daten

Schlussfolgern / Inference

$\Rightarrow$

Was ist auf dem Bild hier?

Reflex basierte Modelle

Beispiele: Lineare Classifier, Deep Neural Networks

https://en.wikipedia.org/wiki/Neural_network#/media/File:Neural_network_example.svg

Zustands basierte Modelle

Zustandsbasierte Modelle

• Spiele: Schach, Go, Pac-Man, Starcraft, ...
• Navigationssysteme
• Robotik: Motion Planning
• Natural Language Processing, Maschinelles Übersetzen

Klassen von zustandsbasierten Modellen

• Such Probleme
• Markov Entscheidungs Prozesse
• Kompetitive Spiele

Variablen basierte Modelle

$\Rightarrow$

https://en.wikipedia.org/wiki/File:Sudoku_Puzzle_by_L2G-20050714_standardized_layout.svg
https://en.wikipedia.org/wiki/File:Sudoku_Puzzle_by_L2G-20050714_solution_standardized_layout.svg

Logik

Ziel: Überblick und Grundlagenwissen zu diversen KI Methoden

Tiefergehende Details in anderen Vorlesungen

Geschichte

1956: Dartmouth College Summer Workshop (John McCarty)

Geburtstunde des Begriff "Artificial Intelligence"

Frühe Erfolge

• 1956: Logic Theorist (Newell, Simon, Shaw)
  Generieren von automatischen Beweisen für Theoreme
• 1959: Dame (Brettspiel) (Samuel)
  Spielt Dame auf starkem Amateur Level

Großer Optimismus, dass in 10-20 Jahren KI "gelöst" sein wird.

Schlechte Ergebnisse in anderen Bereichen: Übersetzung

1966: ALPAC report führt zum Ende der Finanzierung von Machine Translation projekten

1970er und 80er: Expertensysteme

Regelbasierte Systeme
"When [x] dann [y]"
Komplett spezifiziert durch Domänenexperten

Erster großer industrieller Einsatz von KI

• DENDRAL: Molekülstruktur aus Massenspektrum vorhersagen
• MYCIN: Diagnose von Blut Infektionen und Empfehlung von Antibiotike
• XCON: Kundenbestellungen bei DEC in Einzelkomponenten übersetzen

Pros:

• Erste echte Anwendungen
• Expertenwissen kann skaliert werden

Cons:

• Deterministische Regeln unzureichend für nicht deterministische Welt
• Regeln für viele Probleme zu komplex zum manuellen erfassen

1987: zweiter "AI winter"

Künstliche neuronale Netze

• 1943: künstliche neuronala Netze / Schaltkreise (McCulloch, Pitts)
• 1949: "cells that fire together wire together" Regel (Hebb)
• 1958: Perceptron Algorithmus (Rosenblatt)
• 1959: ADALINE maschine für lineare regression (Widrow/Hoff)
• 1969: "Perceptrons" (Minsky, Papert): Zeigten, dass lineare Modelle nicht XOR berechnen können

2. Welle von neuronalen Netzen

• 1980: Neocognitron (convolutional neural network) für Bilder (Fukushima)
• 1986: (Wiederentdeckte) Backpropagation zum Training von Multi-layer Netzwerken (Rumelhardt, Hinton, Williams)
• 1989: Convolutional neural network zum Erkennen von handgeschriebenen Ziffern (LeCun)

Deep Learning

• 2006: Hinton et. al. zeigen, wie sich tiefe neuronale Netzwerke trainieren lassen
• 2012: AlexNet macht sehr große Fortschritte bei der Bilderkennung
• 2016: AlphaGo gewinnt gegen Weltmeister Lee Sedol im Go

Zwei Hauptrichtungen

Symbolische KI	Neuronale KI

Ideen aus diversen Feldern

• 1801: Lineare Regression (Gauss, Legendre)
• 1936: Lineare Klassifikation (Fisher)
• 1956: Kürzeste Wege Suche (Dijkstra)
• 1957: Markov Entscheidungs Prozesse (Bellman)
• 1985: Bayesian Networks (Pearl)
• 1995: Support Vector Machines (Cortes, Vapnik)

Python

• Eine der populärsten Programmiersprachen.
• (relativ) leicht erlernbar.
• Exzellente Bibliotheken für Data Science und Machine Learning.
• Open Source

Mehr Python Referenzen

• https://wiki.python.org/moin/BeginnersGuide/Programmers
• https://wiki.python.org/moin/SimplePrograms

Übungen

• Alle Übungsaufgaben sind im Jupyter verfügbar.
  Menüpunkt Nbgrader $\to$ Assignment List
• Bitte melden, falls Zugang nicht funktioniert.
• Abgabe muss bis zum Donnerstag um 14 Uhr passieren.
• Es können mehrere Abgaben gemacht werden. Die jeweils letzte zählt.

Demo

Lokale Python / Jupyter Installation:
Anaconda