Grundkurs Künstliche Intelligenz

Werbung
Wolfgang Ertel
Grundkurs
Künstliche Intelligenz
Eine praxisorientierte Einführung
2., überarbeitete Auflage
Mit 127 Abbildungen
STUDIUM
VIEWEG+
TEUBNER
Inhaltsverzeichnis
1
Einführung
1.1
1.2
1.3
1.4
1.5
2
3
4
Was ist Künstliche Intelligenz
Geschichte der KI
Agenten
Wissensbasierte Systeme
Übungen
1
1
6
12
15
16
Aussagenlogik
19
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
19
20
22
27
30
32
33
33
Syntax
Semantik
Beweisverfahren
Resolution
Hornklauseln
Berechenbarkeit und Komplexität
Anwendungen und Grenzen
Übungen
Prädikatenlogik erster Stufe
37
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
38
39
43
47
49
54
56
59
62
62
Syntax
Semantik
Quantoren und Normalformen
Beweiskalküle
Resolution
Automatische Theorembeweiser
Mathematische Beispiele
Anwendungen
Zusammenfassung
Übungen
Grenzen der Logik
65
4.1
4.2
4.3
4.4
4.5
65
67
69
72
74
Das Suchraumproblem
Entscheidbarkeit und Unvollständigkeit
Der fliegende Pinguin
Modellierung von Unsicherheit
Übungen
X
5
6
Inhaltsverzeichnis
Logikprogrammierung mit P R O L O G
75
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
76
76
80
81
83
84
86
88
89
Suchen, Spielen und Probleme lösen
6.1
6.2
6.3
6.4
6.5
6.6
6.7
7
8
9
PROLOG-Systeme und Implementierungen
Einfache Beispiele
Ablaufsteuerung und prozedurale Elemente
Listen
Selbstmodifizierende Programme
Ein Planungsbeispiel
Constraint Logic Programming
Zusammenfassung
Übungen
Einführung
Uninformierte Suche
Heuristische Suche
Spiele mit Gegner
Heuristische Bewertungsfunktionen
Stand der Forschung
Übungen
93
93
100
106
115
119
121
123
Schließen mit Unsicherheit
127
7.1
7.2
7.3
7.4
7.5
7.6
129
136
145
160
173
174
Rechnen mit Wahrscheinlichkeiten
Die Methode der Maximalen Entropie
L E X M E D , ein Expertensystem für Appendizitisdiagnose
Schließen mit Bayes-Netzen
Zusammenfassung
Übungen
Maschinelles Lernen und Data Mining
179
8.1
8.2
8.3
8.4
8.5
8.6
8.7
8.8
8.9
8.10
185
187
194
203
219
222
227
232
235
237
Datenanalyse
Das Perzeptron, ein linearer Klassifizierer
Die Nearest Neighbour-Methode
Lernen von Entscheidungsbäumen
Lernen von Bayes-Netzen
Der Naive-Bayes-Klassifizierer
Clustering
Data Mining in der Praxis
Zusammenfassung
Übungen
Neuronale Netze
243
9.1
9.2
244
249
Von der Biologie zur Simulation
Hopfield-Netze
Inhaltsverzeichnis
9.3
9.4
9.5
9.6
9.7
9.8
9.9
Neuronale Assoziativspeicher
Lineare Netze mit minimalem Fehler
Der Backpropagation-Algorithmus
Support-Vektor-Maschinen
Anwendungen
Zusammenfassung und Ausblick
Übungen
10 Lernen durch Verstärkung (Reinforcement Learning)
10.1
10.2
10.3
10.4
10.5
10.6
10.7
10.8
10.9
10.10
10.11
10.12
Einführung
Die Aufgabenstellung
Uninformierte kombinatorische Suche
Wert-Iteration und Dynamische Programmierung
Ein lernender Laufroboter und seine Simulation
Q-Lernen
Erkunden und Verwerten
Approximation, Generalisierung und Konvergenz
Anwendungen
Fluch der Dimensionen
Zusammenfassung und Ausblick
Übungen
11 Lösungen zu den Übungen
11.1
11.2
11.3
11.4
11.5
11.6
11.7
11.8
11.9
11.10
Einführung
Aussagenlogik
Prädikatenlogik
Grenzen der Logik
PROLOG
Suchen, Spielen und Probleme lösen
Schließen mit Unsicherheit
Maschinelles Lernen und Data Mining
Neuronale Netze
Lernen durch Verstärkung
XI
256
264
270
277
279
280
281
283
283
286
288
289
292
294
299
300
301
302
303
304
307
307
308
309
311
311
313
315
320
325
326
Literaturverzeichnis
329
Index
337
Herunterladen