33
© Prof. Dr. H. Gläser, Künstliche Intelligenz illkommen zu Vorlesung+Praktiku hrung in die künstliche Intelli Einführung

© Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

Embed Size (px)

Citation preview

Page 1: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© Prof. Dr. H. Gläser, Künstliche Intelligenz

Willkommen zu Vorlesung+Praktikum

Einführung in die künstliche Intelligenz

Einführung

Page 2: © 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

Page 3: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz 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

Page 4: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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:

Page 5: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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:

Page 6: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© Prof. Dr. H. Gläser, Künstliche Intelligenz

Klausurtermin: 6.02.04: 9:30 UhrZeit je nach

Raumlage

Einführung

Page 7: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz 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

Page 8: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 9: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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:

Page 10: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 11: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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 ?

Page 12: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© Prof. Dr. H. Gläser, Künstliche Intelligenz

Einführung

Themenübersicht

Problemlösen

Maschinen Lernen

Wissensrepräsentation

Neuronale Netze

Page 13: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 14: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 15: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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]

Page 16: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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)

Page 17: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 18: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 19: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© Prof. Dr. H. Gläser, Künstliche Intelligenz

Problemlösen > Techniken zur Lösungssuche

Page 20: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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 ?

Page 21: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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) ???

Page 22: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 23: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 24: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 25: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 26: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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)

Page 27: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 28: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 29: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 30: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 31: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 32: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© 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

Page 33: © Prof. Dr. H. Gläser, Künstliche Intelligenz Willkommen zu Vorlesung+Praktikum Einführung in die künstliche Intelligenz Einführung

© Prof. Dr. H. Gläser, Künstliche Intelligenz

Problemlösen > Techniken zur Lösungssuche