© Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung.
Post on 05-Apr-2015
112 Views
Preview:
Transcript
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Willkommen zu Vorlesung+Praktikum
Einführung in die künstliche Intelligenz
Einführung
© Prof. Dr. H. Gläser, Künstliche Intelligenz
zur Person:
•Harald Gläser
•Studium und Promotion als Physiker
•Zweitstudium Informatik
•Berufstätigkeit bei Philips Research
in der Modellierung von physiko-chemischen Systemen
•Seit 15.10.2001 an der FH Furtwangen
•Sprechstunde: Freitags 13:00 - 13:45 C209
Einführung
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Einführung
Folien downloaden unter
www.computer-networking.de/~glaeser
zur Vorlesung
Fragen gleich stellen !
(im email - UFO System anmelden !!)
www.ai-lab.fh-furtwangen.de Link zu UFO
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Einführung
a) Klausurb) Praktikum: I) Alle Aufgaben müssen zu zweit
selbständig bearbeitet werden. Einzelbeitrag muß erkennbar sein
II) 6 von 6 Aufgaben müssen bestanden werden.
Für AI‘ler gilt: Praktikum muss bestanden werden, sonst keine Klausur
Prüfungs(vor)leistungen:
© Prof. Dr. H. Gläser, Künstliche Intelligenz
a) Klausur (zählt 70% der Note)b) Referat: (zählt 30% der Note)
- schriftliche Ausarbeitung ! - 20min Vortrag - 10min Diskussion
- bitte Thema aus Liste aussuchen - Termin beachten
Für WI‘ler gilt:
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Klausurtermin: 6.02.04: 9:30 UhrZeit je nach
Raumlage
Einführung
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Ziele der Vorlesung
Knapper Überblick über grundlegende Paradigmen der KI
Die Zusammenstellung der Themen erhebt keinen Anspruchauf Vollständigkeit
Eventuell auf den Geschmack für den Schwerpunkt KI bringen
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Literatur
KI - Literatur (aus FHF Bibliothek):Neuronale Netzwerke Schöneburg, Hansen,
Gawelczyk Markt & Technik Buch für den
Praktiker Künstliche Intelligenz in der Technik
Willi Bruns Hanser Studienbücher
Sehr inspirierend. Eher intuitiver Ansatz
Künstliche Intelligenz in der Finanzberatung
St. Kirn, Chr. Weinhardt [Hrsg.]
Gabler Sammlung von wissenschaftl. Arbeiten
Handbuch der künstlichen Intelligenz
G. Görz, C.-R. Rollinger, J. Schneeberger [Hrsg.]
Oldenburg Sehr dick !! Mathematisch orientiert
KI-Einführung und Anwendungen
Elaine Rich McGraw Hill Schöne Einführung ohne Formeln
Artificial Intelligence E. Charniak, D. McDermott
Addison-Wesley Ohne Formeln aber auf Englisch
Künstliche Intelligenz und automatische Wissensverarbeitung
H. Helbig Verlag Technik Teile der Vorlesung beruhen auf diesem Buch
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Einführung
Was ist künstliche Intelligenz ??
Computer soll Fähigkeiten bekommen, die beim Menschenauf dessen Intelligenz beruhen
Denken, logisches Schlußfolgern, Begriffe bilden, KlassifizierenLernen, GedächtnisSprechen / VerstehenIm Raum orientieren und bewegen, Muster / Bilder erkennen...
Menschliche Fähigkeiten, die auf Intelligenz beruhen:
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Einführung
Anwendungen der künstlichen Intelligenz
Lösungssuche bei kombinatorischen Problemen (z.B. Spiele)spezialisierte Beratungssysteme (Expertensysteme)Verarbeitung natürlicher Sprache
Mustererkennung (z.B. Spracherkennung, Bilderkennung)Roboticsmaschinelles Lernen
Logik, automatisches Beweisen
schlußfolgernde Datenbank-Abfragen, Data-mining, Suchmaschinen
automatisches Programmieren
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Einführung
Können Maschinen denken ??
Was ist „denken“ ??
A. Touring:Kann man eine Maschine bauen, mit vom Menschen ununterscheidbarem Verhalten ?
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Einführung
Themenübersicht
Problemlösen
Maschinen Lernen
Wissensrepräsentation
Neuronale Netze
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen
Was ist ein Problem ??
Problem = Quadrupel OpZAP ,,,
Beispiel: N Damen sollen auf NxN Schachbrett so positioniertwerden, daß sie sich nicht schlagen können
P: Menge von Problemzuständen.
Problemzustand: Schachbrett + Belegung der Felder (mit Dame besetzt, unbesetzt) oder NIL
A: anfänglicher Problemzustand.
leeres Schachbrett
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Problemdefinition
Z: Menge von Zielzuständen: Z P
Zielzustand: NxN Schachbrett + irgendeine Belegung der Felder so, daß sich N Damen nicht schlagen können
Op: Menge von Operationen o mit o: P P .
a) Vorbedingungen der Operation treffen nicht zu
unmögliche Operation dann, wenn
b) Operation überführt „eigentlich“ in Zustand, der den Nachbedingungen nicht entspricht
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Problemdefinition
Beispiel:
Damespiel:Vorbedingung : istBesetzt (bij) = false
Lösungsweg: eine Folge o1, o2, ... , on die von einem Anfangszustand in einenZielzustand führt
Operation oij : bij = QueenNachbedingung: ~[ERREICHBAR(bij,bmn) istBesetzt(bmn) = true]
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Graphen
Graph:
Gebilde aus Knoten und (un - /gerichteten) Kanten
Baum:
Graph, dessen Knoten jeweils genau einen Vorgänger haben(bis auf die Wurzel)
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Graphen
Zuordnung Problem <=> orientierter, markierten Graphen
ProblemzuständeOperatorenAnfangszustandEndzuständeZielzuständeSackgassenLösungsweg
KnotenKantenWurzelterminale Knoten term. Knoten term. KnotenPfad
<- Knoten ohne Vorgänger<- Knoten ohne Nachfolger
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Nicht - informierte Suche
keine Zusatz Kenntnisse über Problembereich
Graph zufällig durchlaufen bis zufällig Zielzustand gefunden
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Übung
Missionarsproblem
3 Missionare mit 3 Kannibalen versuchen mit 2 Mann Boot über einen Fluß zu kommen. Sei gegenüber Kannibalen NIE in der Minderzahl !
Identifizieren sie Problemzustände, Anfangszustand, Endzustand,Sackgassen, Operationen, Vorbedingungen, Nachbedingungen,Lösungsweg
Finden Sie mehr als einen Lösungsweg ?
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Bedingungen für zielgetriebene Suche
• Ziel muß explizit und nicht über ein Prädikat definiert sein (vrgl. Damen Problem bzw. Schach)
• Eingangsbedingungen der Operationen gleiche Form wie Ausgangsseiten (nicht gegeben bei denen die Operationen z.B. Löschungen in der Wissensbasis auslösen) ???
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Wann Ziel- wann Daten- getrieben ?
Verzweigungsgrad bei A und Z
Nachteil unidirektionaler Suche:
Suche kann am Ziel vorbeiführen vrgl. A / P4 / P5 im Bspl.
=> bidirektionale Suche - hoffentlich treffen sich die Pfade Bspl.: A - P3; Z - P3 besonders hilfreich beim Aufeinanderzusteueren: Abstandsmaß
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Suchstrategien in Bäumen
Tiefe zuerst Suche
expandierend strikt
Pfadliste = Stapel
Schnapschuß = (Knoten, dort noch nicht angewandteOperationen)
Pfad = Liste von Schnapschüssen
Backtracking
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Suchstrategien in Bäumen
Breite zuerst Suche
Pfadliste = Schlange
1 2
3 4 5 6
7 8 9 10 11 12 13 14
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Tiefe zuerst Breite zuerst
Speicherbedarf O(n) O(bn)
Schnelligkeit im Allgemeinen schneller als ->
O(bn)
Schnelligkeit worst case
O(bn) O(bn)
Findet mit Sicherheit
nein ja
b = mittlerer Verzweigungsgrad
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Modifikationen:
iterierte Tiefe zuerst
Schranke für Tiefe - wenn erreicht neue Tiefensuchewenn keine neue Tiefensuche möglich -> Schranke erweitern
erreicht immer eine Lösung, trotzdem gute Speicherökonomie
bidirektionale Breite zuerst
Breite zuerst Suche sowohl von Zielknoten als auchvon AusgangsknotenZeit und Speicheraufwand = O(bn/2) (n gerade)
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Informierte Suche:
Knotenbewertungen Kantenbewertungen
Kompliziertheit des Problemzustand
Abstand zum Zielzustand
entstandene Kosten bei derEntwicklung eines Pfads
Kosten der Operation(Reisekosten, Entfernung,...)
Beitrag einer Operation zur Verringerung der Differenzzum Zielzustand
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Bewertungspolynom
)()(1
zcazvalue i
k
ii
z Problemzustandci Merkmale von zai konstante Wichtungsfaktoren
Beispiel:
c1 Summe des Materialwerts der eigenen Figuren (a1>0)c2 Anzahl der Drohungen durch den Gegener (a2<0)...
Schach
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
auf jedem Knoten die Bewertung auftragen ->Bewertungsgebirge
Pfad des steilsten Anstiegs einschlagen -> hill climbing Verfahren
Balance zwischen Kosten der Bewertungsfkt. und deren Nutzen
Gütemaß für die Suche:
Penetranz = Länge des Lösungspfads / Anzahl der insgesamt erzeugten Knoten
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Graphensuche
sucht in kantenbewerteten Graph den Lösungsweg mitminimalen Kosten
Init. Graph G mit Wurzel A
A -> Liste OPEN nicht expandierter Knoten
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Init. Graph G mit Wurzel A
A -> Liste OPEN nicht expandierter Knoten
OPEN = NIL Ende: MißerfolgJa
Nein
erster Knoten von OPEN N in CLOSED
N = ZEnde: Erfolg,Lösungspfad mitZeigern generieren
Ja
Nein
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
Bestimmen Nachfolger von N = Menge M
Zeiger von allen N‘M zu N. N‘ in M aufnehmen
Wenn N‘ schon in G enthalten: wird Zeiger umgesetztwenn niedrigerer Abstand zu A
Wenn N‘ schon in CLOSED enthalten: wird Zeiger der Nachfolgerumgesetzt wenn niedrigerer Abstand zu A
Ordnen der Liste OPEN nach minimalem Abstand zu A
M (ohne „closed“) in OPEN aufnehmen
© Prof. Dr. H. Gläser, Künstliche Intelligenz
Problemlösen > Techniken zur Lösungssuche
top related