### PO 2020 ###
### Studiengang und Semester 
1MOMI:2020
### Modulbezeichnung
Künstliche Intelligenz~~
### Englische Modulbezeichnung
Artificial Intelligencev
### Art
Wahlpflichtfach
### ECTS-Punkte
5
### Studentische Arbeitsbelastung
16, 134
### Voraussetzungen (laut Prüfungsordnung)
Grundlegende Mathematik-, Informatik- und Programmierkenntnisse
### Empfohlene Voraussetzungen
### Pruefungsform und -dauer
Klausur (120 Min.)
### Lehrmethoden und Lernmethoden
Multimedial aufbereitetes Online-Studienmodul zum Selbststudium mit zeitlich parallel laufender Online-Betreuung (E-Mail, Chat, Einsendeaufgaben u. a.) sowie Präsenzphasen
### Modulverantwortlicher
C. Meyer
### Modulautor
C. Meyer
### Qualifikationsziele
- Ansätze, Konzepte, Algorithmen und Grenzen der Künstlichen Intelligenz zu verstehen und erläutern zu können
- Einen Überblick über Methoden insbesondere in den diskutierten Hauptschwerpunkten Suche und maschinelles Lernen zu erhalten und die wichtigsten Verfahren in ihrer Wirkungsweise, ihren Anwendungsmöglichkeiten, ihren Vor- und Nachteilen zu kennen und erläutern zu können
- Wichtige Algorithmen und Konzepte insbesondere in den vertieft diskutierten Gebieten „Suche“ und „Maschinelles Lernen“ nachvollziehen, problemspezifische Voraussetzungen zur Anwendung der Verfahren einzuschätzen und für ein gegebenes Anwendungsproblem ein geeignetes Verfahren auswählen und anwenden zu können
- Ergebnisse von angewendeten Verfahren analysieren, bewerten, optimieren und vergleichen zu können
- Grenzen der diskutierten Verfahren und der Künstlichen Intelligenz einschätzen zu können
### Lehrinhalte
I) Introduction
- What is AI? / Short history of AI
- Rational Agents
II) Search
- Uninformed search
- Breadth-first search
- Depth-first search
- Iterative deepening
- Uniform cost-search (Dijkstra‘s algorithm)
- Informed search
- Greedy best-first search
- A* search
- Local search
- Hill climbing
- Local beam search
- Simulated annealing
- Genetic algorithms
- Constraint satisfaction problems 
III) Machine learning
- Introduction to Machine Learning
- Machine Learning Basics
- Generalisation
- Supervised learning: Perceptrons
- Supervised learning: Support Vector Machines (SVM)
- Supervised learning: Decision trees
- Unsupervised learning: Clustering
- Reinforcement learning
IV) Artificial Intelligence: Summary and Outlook
### Literatur
S. Russell, P. Norvig, „Artificial Intelligence – A Modern Approach“.
Fourth Edition, Pearson 2020, ISBN: 978-0-13-461099-3. http://aima.cs.berkeley.edu/
J. Frochte: „Maschinelles Lernen – Grundlagen und Algorithmen in Python“. Hanser-Verlag 2021, ISBN: 978-3-446-46144-4
S. Marsland, „Machine Learning – An Algorithmic Perspective“. CRC Press Second Edition 2015, ISBN: 978-1466583283.