Grundkurs Künstliche Intelligenz

In diesem Buch werden alle Teilgebiete der KI kompakt, leicht verständlich und anwendungsbezogen vorgestellt. Der Autor kennt das Gebiet nicht nur bestens aus Forschung und praktischer Anwendung, sondern engagiert sich auch erfolgreich in der Lehre. Die Themen reichen von der klassischen Logik über das Schließen mit Unsicherheit und maschinelles Lernen bis hin zu Anwendungen wie Diagnosesysteme, lernfähige Roboter oder Kreativität in der KI.

Sie profitieren von dem umfassenden Einblick in dieses faszinierende Teilgebiet der Informatik, wobei, abgesehen von grundlegenden Programmierkenntnissen sowie etwas Mathematik, alle Voraussetzungen für ein gutes Verständnis bereitgestellt werden. Sie gewinnen vertiefte Kenntnisse, z. B. hinsichtlich der wichtigsten Verfahren zur Repräsentation und Verarbeitung von Wissen und in dem immer wichtiger werdenden Gebiet des maschinellen Lernens. Vor allem der Anwendungsbezug steht im Fokus der Darstellung. Viele Übungsaufgaben mit Lösungen sowie eine strukturierte Liste mit Verweisen auf Literatur und Ressourcen im Web ermöglichen ein effektives und kurzweiliges Selbststudium.

Behandelt alle Teilgebiete der KI Enthält viele Übungsaufgaben mit Lösungen Faszinierend, praxisnah, fundiert

Autorentext

Dr. Wolfgang Ertel ist Leiter des Instituts für Künstliche Intelligenz an der Hochschule Ravensburg-Weingarten. Er ist Diplom-Physiker und arbeitet seit 1987 in KI-Forschungsprojekten. Seit 1994 ist er Professor an der Hochschule Ravensburg-Weingarten und hält Vorlesungen zur KI. An seinem Institut wird geforscht an Anwendungen des maschinellen Lernens unter anderem in der Industrie, in der Pflege und an lernfähigen intelligenten Servicerobotern für Menschen mit Behinderung. Daneben untersucht er die Auswirkungen von KI-Anwendungen auf das Gemeinwohl der Gesellschaft. 2006 erhielt er den Landeslehrpreis.

Inhalt
Einführung.- Intelligente Agenten.- Logikbasiertes Schließen.- Problemlösen und Suche.-Schließen mit Unsicherheit (Bayes-Netze, Methode der Maximalen Entropie).- Maschinelles Lernen.- Data Mining und Datenaufbereitung.- Neuronale Netze inklusive Deep Learning mit Beispielprogrammen in Python.- Lernen durch Verstärkung.- Lösungen zu den Übungsaufgaben.