KI-Klausurrelevantes SS 23 am 01.07.

2023
1) Intelligenz ist die allgemeine menschliche Fähigkeit, Denken und Handeln bewusst und zielgerichtet auf
Bedingungen, Anforderungen und Problemstellungen der Realität einzustellen; dazu gehören Fähigkeiten wie
o Wahrnehmung und Kommunikation
o Denken und Erkenntnis
o Intuition und Kreativität
o Gedächtnis
o Lernen
1-Logisch-mathematische Intelligenz.
2) Arten der Intelligenz: 2-Sprachliche Intelligenz.
3-Visuell-räumliche Intelligenz.
•Emotionale Intelligenz 4-Körperlich-kinästhetische Intelligenz.
5-Musikalische Intelligenz.
• Soziale Intelligenz 6-Interpersonale Intelligenz.
7-Intrapersonale Intelligenz.
• Physische Intelligenz
3) Intelligenztest (aus Wikipedia): Ein Intelligenztest dient dazu, die kognitiven Fähigkeiten eines Menschen zu
erfassen.
4) Wie kann ich sagen, wann Künstliche Intelligenz wirklich existiert? Die klassische Antwort lautet: Eine Maschine
besitzt Künstliche Intelligenz, wenn ihre Handlungen bei der Bewältigung einer bestimmten Aufgabe von denen eines
Menschen nicht unterscheidbar sind.
5) Turing-Test

6) Teilgebiete der KI:

• Problemlösen
• Automatisches Beweisen
• Suche
• Sprachverarbeitung
• Bilderkennung und –verarbeitung
• Robotik
• Expertensysteme
• Maschinelles Lernen
• Verarbeitung von unsicherem Wissen • Neuronale Netze
7) WR-Methoden: Wissensrepräsentation
- Logische WR
- Semantische Netze
- Objektorientierte WR
- Regelbasierte WR (bis hierher in der Vorlesung behandelt)
- Unscharfe Logiken
- Nichtklassische Logiken
- Constraints (Bedingungen)
- Relationale Datenbanken
Logische WR
8) Ein einfacher Kalkül ist die Aussagenlogik: - die formale Sprache besteht aus einer Menge von Bezeichnern für
Aussagen: A, B, C, D, ..., A1, B2, ... sowie aus Verknüpfungssymbolen: ,,,→ ; korrekte "Sätze" sind zunächst alle
Bezeichner für Aussagen selbst und weiterhin alle Verknüpfungen von korrekten Sätzen x und y folgender Art: ( x ) ,
( x y  ), ( x y  ), ( x y → ) - ein Axiom der Aussagenlogik ist z. B. (  → ( x x )) - eine Ableitungsregel in der
Aussagenlogik ist z.B. der "modus ponens": aus den Aussagen x und ( x y → ) lässt sich die Aussage y ableiten.
Das Axiom: Beweisführung, Argumentation, Entscheidungsfindung
Beispiele: „Durch zwei Punkte verläuft genau eine Gerade“ oder „Die Summe der Winkel in einem Dreieck beträgt 180
Grad“.
9)
10) Semantische Netze:
Objektorientierte Wissensrepräsentation:

Regelbasierte Wissensrepräsentation:

Ein Beispiel von Prof kommt!

11) Vorwärtsverkettung:
12) Suche
Suchverfahren

Backtracking ist eine Suchstrategie, bei der man bei einer Sackgasse zu einem früheren Punkt zurückkehrt und von
einem anderen Knoten aus weitersucht.
13) 3.3 Beispiele für Suchprobleme
Schach: Die Objektebene (Schachprogramme) bezieht sich auf die konkreten, unmittelbaren Aspekte einer Situation, wie zum
Beispiel die Positionen von Schachfiguren auf einem Brett. Die Metaebene (Menschen) hingegen bezieht sich auf abstraktere,
übergeordnete Aspekte, wie die Strategie oder das Vorhersagen der Absichten des Gegners.

14) 3.4 Blinde Suche

3.4.1. Breitensuche:

3.4.2. Tiefensuche:
Bei der Tiefensuche spielt es keine Rolle, an welchem Pfad man zuerst absteigt. Die Prozedur lässt dies offen.
Entsprechend spielt es bei der Breitensuche keine Rolle, in welcher Reihenfolge die Knoten einer bestimmten Tiefe
abgearbeitet werden.
Bei der Tiefensuche wird immer ein Knoten mit all seinen Nachfolgerknoten untersucht, bevor der Nachbarknoten
untersucht wird.
Breitensuche ist vollständig, d. h. sie findet stets eine Lösung, vorausgesetzt, es existiert eine.
Bei der Breitensuche werden immer alle Knoten derselben Tiefe untersucht, bevor die Knoten der nächsttieferen Stufe
untersucht werden.
Tiefensuche kann unvollständig sein! (Es existiert ein unendlich tiefer Ast.) Ist der Suchraum endlich, ist die
Tiefensuche vollständig.

b) Tiefensuche ist nicht geeignet für unendliche Bäume!

Breitensuche immer eine Lösung, Tiefensuche nicht immer eine Lösung!
c)

3.5 Heuristische Suche

Idee einer Heuristik: Abschätzung der Entfernung des aktuellen Knotens von einem Zielknoten.
Schlussfolgerung: Heuristische Funktionen sollten möglichst einfach auszuwerten sein.
Bei der heuristischen Suche geht es darum, den Suchraum in einer optimalen oder nahezu optimalen Reihenfolge zu durchlaufen.
Dazu werden bei der Auswahl des nächsten Knotens in der allgemeinen Suchprozedur inhaltliche (d. h. problemspezifische)
Informationen über das Suchproblem genutzt, um gezielt vom Anfangsknoten zu einem Zielknoten voranzugehen.
3.6 Der Minimax-Algorithmus

3.8 Genetische Algorithmen

4. Expertensysteme
4.1 Einführung
Expertensystem (XS): Ein Expertensystem ist eine Software, die in einem speziellen Fachgebiet die Fähigkeiten eines
menschlichen Experten zur Problemlösung gleichwertig oder sogar besser umsetzt.
Um ein XS zu bauen, muss das Wissen

• formalisiert,

• im Computer repräsentiert und

• gemäß einer Problemlösungsstrategie manipuliert werden.

Wissensingenieur:
Ein Wissensingenieur ist ein Spezialist in der KI, der menschliches Wissen so aufbereitet und strukturiert, dass es von
KI-Systemen, insbesondere Expertensystemen, genutzt werden kann.
4.3 Architektur eines Expertensystems
Trennung von Expertenwissen und Problemlösungsstrategien führt zu den zwei Hauptmodulen:

• Steuersystem (XS-Shell oder XS-Kern):

• Problemlösungskomponente:

• Benutzerschnittstelle:

•Wissensbasis:

• Experte:

• Benutzer:

• Problemlösungskomponente:
5. Unscharfe Wissensverarbeitung (Fuzzy-Logik)

1-Unterschied zwischen scharfe und unscharfe Mengen in KI (Fuzzy-Logik)?

Bei scharfen Mengen gehört ein Element entweder vollständig zur Menge oder nicht, während bei unscharfen Mengen ein
Element einen Zugehörigkeitsgrad zwischen 0 und 1 haben kann, was eine teilweise Zugehörigkeit ermöglicht.

2-

für ein anderes Problem ein anderer Operator besser geeignet ist – dies ist jeweils einzeln zu untersuchen. Am häufigsten wird
der Minimum-Operator benutzt.

3) Darstellungsformen unscharfer Mengen:

-> 1. Darstellung als Summe

-> 2. Darstellung als Menge geordneter Paare

-> 3. Graphische Darstellung

4)
Fuzzy-Control gliedert sich in drei Bausteine:
• Fuzzifizierung,
• Inferenz,
• Defuzzifizierung.
6. Maschinelles Lernen
6.1 Einführung

6.2 Überwachtes Lernen

6.3 Entscheidungsbäume