Data Science Künstliche Intelligenz AI

Einführung in die Künstliche Intelligenz

• Geschichte und Philosophie der AI
• Überblick über die wichtigsten Konzepte und Anwendungsfelder
• Unterschiede zwischen AI, maschinellem Lernen und Deep Learning

Wissensbasierte Systeme und Expertensysteme

• Einführung in wissensbasierte Systeme
• Darstellung von Wissen: Semantische Netze, Frames, Produktionsregeln
• Inferenzmechanismen und Wissensrepräsentation

Suchalgorithmen und Problem-Lösungsstrategien

• Zustandsraum-Suche, Tiefen- und Breitensuche
• Heuristische Suche: A*-Algorithmus, Hill Climbing, Beam-Suche
• Spielbaum-Suche: Minimax und Alpha-Beta-Pruning

Maschinelles Lernen in der AI

• Überblick über überwachtes und unüberwachtes Lernen
• Entscheidungsbäume, Neuronale Netze und Clustering
• Verstärkungslernen und dessen Anwendungsbereiche

Natürliche Sprachverarbeitung (NLP)

• Einführung in NLP und dessen Herausforderungen
• Textverarbeitung, Tokenisierung und Stemmatisierung
• Anwendungen: Chatbots, Übersetzungssysteme und Textklassifikation

Robotik und Eingebettete Systeme

• Grundlagen der Robotik und Sensorik
• Planung und Steuerung von Robotern
• Autonome Fahrzeuge und Drohnen

Ethik und gesellschaftliche Aspekte der AI

• Diskussion über den verantwortungsvollen Einsatz von AI
• Bias, Fairness und Transparenz in AI-Systemen
• Zukünftige Herausforderungen und Implikationen der AI-Entwicklung

Praktische Anwendung und Implementierung von AI-Systemen

• Einführung in AI-Frameworks und -Tools
• Praktische Übungen und Projekte zu verschiedenen AI-Anwendungen