Prof. Dr. Lars Schmidt-Thieme. Schüler-Universität, 10. Mai 2012
|
|
- Charlotte Hildegard Bösch
- vor 5 Jahren
- Abrufe
Transkript
1 Können Computer denken? Prof. Dr. Lars Schmidt-Thieme Information Systems and Machine Learning Lab (ISMLL) Institut für Informatik Universität Hildesheim Schüler-Universität, 10. Mai 2012 Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 1 / 23
2 Outline 1. Was Computer heute können 2. Können Computer denken? der Turing-Test 4. Wie geht es weiter? Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 1 / 23
3 1. Was Computer heute können Outline 1. Was Computer heute können 2. Können Computer denken? der Turing-Test 4. Wie geht es weiter? Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 1 / 23
4 1. Was Computer heute können Computer können Rennen [ Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 1 / 23
5 1. Was Computer heute können Computer können Fußball Spielen [ Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 2 / 23
6 1. Was Computer heute können Computer können Autofahren [ Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 3 / 23
7 1. Was Computer heute können Computer können Schach Spielen [ Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 4 / 23
8 1. Was Computer heute können Computer können Quiz-Fragen beantworten [ Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 5 / 23
9 2. Können Computer denken? der Turing-Test Outline 1. Was Computer heute können 2. Können Computer denken? der Turing-Test 4. Wie geht es weiter? Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 6 / 23
10 2. Können Computer denken? der Turing-Test Menschliches Gehirn vs. CPU Menschliches Gehirn: ca. 100 Milliarden Nervenzellen (10 11 ) ca. 100 Billionen Verbindungen (10 14 ) entspricht ca. 2 Petabyte Speicherkapazität [verschiedene Quellen, u.a.?] Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 6 / 23
11 2. Können Computer denken? der Turing-Test Menschliches Gehirn vs. CPU Menschliches Gehirn: ca. 100 Milliarden Nervenzellen (10 11 ) ca. 100 Billionen Verbindungen (10 14 ) entspricht ca. 2 Petabyte Speicherkapazität Gehirn K Computer Geschwindigkeit [TFLOPS] Leistung [W] ,7 M Kosten [$] 1,25 Mrd [verschiedene Quellen, u.a.?] Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 6 / 23
12 2. Können Computer denken? der Turing-Test Menschliches Gehirn vs. CPU Menschliches Gehirn: ca. 100 Milliarden Nervenzellen (10 11 ) ca. 100 Billionen Verbindungen (10 14 ) entspricht ca. 2 Petabyte Speicherkapazität Gehirn Intel Core I7 Intel Tera K Computer Geschwindigkeit [TFLOPS] Leistung [W] ,7 M Kosten [$] ,25 Mrd [verschiedene Quellen, u.a.?] Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 6 / 23
13 2. Können Computer denken? der Turing-Test Was sind intelligente Systeme? Systeme, die... menschlich denken vernünftig denken menschlich handeln vernünftig handeln Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 7 / 23
14 2. Können Computer denken? der Turing-Test Handeln wie ein Mensch: Der Turing-Test Turing (1950) Computing machinery and intelligence : Können Maschinen denken? Können sich Maschinen intelligent verhalten? Operationaler Test für intelligentes Verhalten: das Nachahmungsspiel. Sagte voraus, daß im Jahr 2000 eine Maschine eine Chance von 30% haben könnte, einen Laien für 5 Minuten zu täuschen. HUMAN HUMAN INTERROGATOR? AI SYSTEM Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 8 / 23
15 2. Können Computer denken? der Turing-Test Handeln wie ein Mensch: Der Turing-Test Turing (1950) Computing machinery and intelligence : Können Maschinen denken? Können sich Maschinen intelligent verhalten? Operationaler Test für intelligentes Verhalten: das Nachahmungsspiel. Sagte voraus, daß im Jahr 2000 eine Maschine eine Chance von 30% haben könnte, einen Laien für 5 Minuten zu täuschen. Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 8 / 23
16 2. Können Computer denken? der Turing-Test Turing-Test / Loebner-Preis Loebner-Preis: Implementierung des Turing-Tests. findet seit 1991 jährlich statt. $ für das erste Programm, dessen Antworten sich nicht von denen eines Menschen unterscheiden lassen Web Chat-Interface Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 9 / 23
17 2. Können Computer denken? der Turing-Test Turing-Test / Jabberwacky Eine Beispiel-Unterhaltung mit Jabberwacky ( dem besten Programm im Loebner-Wettbewerb Jabberwacky: It is impossible to defend perfectly against the attack of those who want to die. Lars: Helllo. Jabberwacky: What is your name? Lars: I am Lars. And who are you? Jabberwacky: My name is Clint, nice to meet you. Lars: Nice to meet you. What are you doing here, Clint? Jabberwacky: I talk to you. Lars: Well, yes. Jabberwacky: How do you talk to people. Lars: I meant what are you looking for in this chat room? Jabberwacky: I am chatting at my computer.... Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 10 / 23
18 Outline 1. Was Computer heute können 2. Können Computer denken? der Turing-Test 4. Wie geht es weiter? Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 11 / 23
19 Auf einer Bahn fahren [ Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 11 / 23
20 Ein ganz einfacher Roboter Räder Sensor links 2 Sensoren: Sensor rechts Untergrundhelligkeit links xl Untergrundhelligkeit rechts xr x ist größer, je heller der Untergrund 2 Aktionen: 15 Grad nach links drehen und 20cm geradeaus fahren (y = 1) 15 Grad nach rechts drehen und 20cm geradeaus fahren (y = +1) Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 12 / 23
21 Aufgabe: Auf der Linie fahren Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 13 / 23
22 Lösung I: den Roboter programmieren Falls links dunkler (x L < x R ), links fahren (y = 1), sonst rechts fahren (y = +1). Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 13 / 23
23 Lösung II: den Roboter dressieren Zeit Sensoren Aktion t x L x R y Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 13 / 23
24 Lösung II: den Roboter dressieren Zeit Sensoren Aktion t x L x R y (unkalibrierte Sensoren). Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 13 / 23
25 Ein Vorhersage-/Entscheidungs-Modell Gegeben Daten / Beobachtungen Bsp. Prädiktoren Zielvariable I X 1 X 2 Y 1 x1 1 x2 1 y 1 2 x1 2 x2 2 y i x1 i x2 i y i.... Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 14 / 23
26 Ein Vorhersage-/Entscheidungs-Modell Gegeben Daten / Beobachtungen Bsp. Prädiktoren Zielvariable Vorhersage I X 1 X 2 Y Ŷ (X 1, X 2 ) 1 x 1 1 x 1 2 y 1 Ŷ (x 1 1, x 1 2 ) 2 x 2 1 x 2 2 y 2 Ŷ (x 2 1, x 2 2 )..... i x1 i x2 i y i Ŷ (x1 i, x 2 i ).. finde ein Vorhersage-/Entscheidungs-Modell. Ŷ (X 1, X 2 ) = b 0 + b 1 X 1 + b 2 X 2 das mit den Daten möglichst genau übereinstimmt: y i = sign(ŷ (x i 1, x i 2)).. für möglichst viele i Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 14 / 23
27 Ein Vorhersage-/Entscheidungs-Modell Gegeben Daten / Beobachtungen Bsp. Prädiktoren Zielvariable Vorhersage I X 1 X 2 Y Ŷ (X 1, X 2 ) 1 x 1 1 x 1 2 y 1 Ŷ (x 1 1, x 1 2 ) 2 x 2 1 x 2 2 y 2 Ŷ (x 2 1, x 2 2 )..... i x1 i x2 i y i Ŷ (x1 i, x 2 i ).. finde ein Vorhersage-/Entscheidungs-Modell. Ŷ (X 1, X 2 ) = b 0 + b 1 X 1 + b 2 X 2 das mit den Daten möglichst genau übereinstimmt: y i Ŷ (x i 1, x i 2) > 0 y i = sign(ŷ (x i 1, x i 2)).. für möglichst viele i für möglichst viele i Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 14 / 23
28 Ein Lern-Algorithmus wähle zufällige Anfangswerte für b 0, b 1, b 2 für jedes Beispiel (x i 1, x i 2, y i ): falls unsere Vorhersage nicht stimmt (y i Ŷ (x i 1, x i 2 ) < 0): verbessere unsere Vorhersage für dieses Beispiel Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 15 / 23
29 Ein Lern-Algorithmus y i Ŷ (x i 1, x i 2 ) = y i (b 0 + b 1 x i 1 + b 2x i 2 ) wähle zufällige Anfangswerte für b 0, b 1, b 2 für jedes Beispiel (x i 1, x i 2, y i ): falls unsere Vorhersage nicht stimmt (y i Ŷ (x i 1, x i 2 ) < 0): verbessere unsere Vorhersage für dieses Beispiel d.h., passe b 0, b 1, b 2 so an, daß unsere Vorhersage ein bisschen besser stimmt. Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 15 / 23
30 Ein Lern-Algorithmus wähle zufällige Anfangswerte für b 0, b 1, b 2 für jedes Beispiel (x i 1, x i 2, y i ): falls unsere Vorhersage nicht stimmt (y i Ŷ (x i 1, x i 2 ) < 0): verbessere unsere Vorhersage für dieses Beispiel d.h., passe b 0, b 1, b 2 so an, daß unsere Vorhersage ein bisschen besser stimmt. d.h., y i Ŷ (x i 1, x i 2 ) = y i (b 0 + b 1 x i 1 + b 2x i 2 ) wächst Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 15 / 23
31 Ein Lern-Algorithmus wähle zufällige Anfangswerte für b 0, b 1, b 2 für jedes Beispiel (x1 i, x 2 i, y i ): falls unsere Vorhersage nicht stimmt (y i Ŷ (x1 i, x 2 i ) < 0): verbessere unsere Vorhersage für dieses Beispiel d.h., passe b 0, b 1, b 2 so an, daß unsere Vorhersage ein bisschen besser stimmt. d.h., y i Ŷ (x1 i, x 2 i ) = y i (b 0 + b 1 x1 i + b 2x2 i ) wächst also b 0 :=b 0 + q y i, q > 0 Lernrate b 1 :=b 1 + q y i x i 1 b 2 :=b 2 + q y i x i 2 Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 15 / 23
32 Ein Lern-Algorithmus wähleallgemein zufällige kann Anfangswerte man eine Funktion für b 0, b 1 f, durch b 2 Laufen längs der Ableitungen maximieren: für jedes Beispiel (x1 i, x 2 i, y i ): falls unsere f 0 (b 0 ) Vorhersage := y i (b 0 + nicht b 1 x1 i + stimmt b 2 x2) i (y i Ŷ (x f 0 1 i (b, x 0 ) 2 i ) = < y i 0): verbessere f 1 (b 1 ) := unsere y i (bvorhersage 0 + b 1 x1 i + b 2 für x2) i dieses Beispiel f 1 (b 1 ) = y i x1 i d.h., f 2 passe (b 2 ) := b 0 y, i b 1 (b, b 02 + so b 1 an, x1 i + b 2 x2) i f 2 (b 2 ) = y i x2 i daß unsere Vorhersage ein bisschen besser stimmt. d.h., y i Ŷ (x1 i, x 2 i ) = y i (b 0 + b 1 x1 i + b 2x2 i ) wächst also b 0 :=b 0 + q y i, q > 0 Lernrate b 1 :=b 1 + q y i x i 1 b 2 :=b 2 + q y i x i 2 Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 15 / 23
33 Ein Lern-Algorithmus wähle zufällige Anfangswerte für b 0, b 1, b 2 für jedes Beispiel (x1 i, x 2 i, y i ): falls unsere Vorhersage nicht stimmt (y i Ŷ (x1 i, x 2 i ) < 0): verbessere unsere Vorhersage für dieses Beispiel d.h., passe b 0, b 1, b 2 so an, daß unsere Vorhersage ein bisschen besser stimmt. d.h., y i Ŷ (x1 i, x 2 i ) = y i (b 0 + b 1 x1 i + b 2x2 i ) wächst also b 0 :=b 0 + q y i, q > 0 Lernrate b 1 :=b 1 + q y i x i 1 b 2 :=b 2 + q y i x i 2 Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 15 / 23
34 Ein Lern-Algorithmus wähle zufällige Anfangswerte für b 0, b 1, b 2 mache mehrmals: für jedes Beispiel (x1 i, x 2 i, y i ): falls unsere Vorhersage nicht stimmt (y i Ŷ (x1 i, x 2 i ) < 0): verbessere unsere Vorhersage für dieses Beispiel d.h., passe b 0, b 1, b 2 so an, daß unsere Vorhersage ein bisschen besser stimmt. d.h., y i Ŷ (x1 i, x 2 i ) = y i (b 0 + b 1 x1 i + b 2x2 i ) wächst also b 0 :=b 0 + q y i, q > 0 Lernrate b 1 :=b 1 + q y i x i 1 b 2 :=b 2 + q y i x i 2 Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 15 / 23
35 Ein Lern-Algorithmus wähle zufällige Anfangswerte für b 0, b 1, b 2 mache mehrmals: für jedes Beispiel (x1 i, x 2 i, y i ): falls unsere Vorhersage nicht stimmt (y i Ŷ (x1 i, x 2 i ) < 0): b 0 :=b 0 + q y i, q > 0 Lernrate b 1 :=b 1 + q y i x i 1 b 2 :=b 2 + q y i x i 2 Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 15 / 23
36 Es gibt noch viel mehr zu tun mehr als 2 Sensoren mehr als 2 Aktionen vergangene Sensorwerte und Aktionen Wechselwirkungen zwischen Sensoren / komplexere Modelle komplexere Gütekriterien komplexere Lernalgorithmen... Heute kurz diskutiert: Perceptron-Modell Stochastischer Gradientenabstieg Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 16 / 23
37 4. Wie geht es weiter? Outline 1. Was Computer heute können 2. Können Computer denken? der Turing-Test 4. Wie geht es weiter? Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 17 / 23
38 4. Wie geht es weiter? Computer-Sommerschule Hildesheim Robotik-Kurs: 5 Tage LEGO Mindstorms Roboter bauen und programmieren Abschluß-Rally immer in den Schul-Sommerferien sowie viele weitere Kurse. Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 17 / 23
39 4. Wie geht es weiter? Literatur Görz/Nebel (2003): Künstliche Intelligenz. ein kurzer informaler Überblick (127 Seiten) Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 18 / 23
40 4. Wie geht es weiter? Literatur Russel/Norvig (2004): Künstliche Intelligenz: Ein Moderner Ansatz. das Standard-KI-Lehrbuch (in deutscher Übersetzung; 1328 Seiten) Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 19 / 23
41 4. Wie geht es weiter? Literatur Hastie/Tibshirani/Friedman (2009): The Elements of Statistical Learning. eines der Standard-ML-Lehrbücher (nur in Englisch; 768 Seiten; mit frei-verfügbarem PDF Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 20 / 23
42 4. Wie geht es weiter? Wettbewerbe Informatik-Biber: Knobelaufgaben mit Informatik-Bezug beginnt jeden November Bundeswettbewerb Informatik: Programmieraufgaben über 3 Runden beginnt jeden September Jugend Forscht: eigene Forschungsarbeit (15 Seiten) jedes Jahr am 30. November Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 21 / 23
43 4. Wie geht es weiter? Wettbewerbe Heritage Health Prize: Ein Prognosemodell für Hospitalisierung Preisgeld: 3 Millionen Dollar! endet am 3. April Viele weitere Wettbewerbe mit Preisen bei Kaggle ( Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 22 / 23
44 4. Wie geht es weiter? Zusammenfassung (Super-)Computer besitzen heute schon eine dem Gehirn entsprechende Rechenleistung. Computer können heute schon viele kognitive Aufgaben, die bisher Menschen vorbehalten waren, mehr oder weniger lösen Schach spielen, Fußball spielen, Auto fahren, Fragen beantworten,... Lernfähige Programme und Roboter beruhen oft auf einfachen Prinzipien (nicht auf komplexen mathematischen Theorien). Zum Experimentieren genügt ein Computer (und ein Lego-Roboter). Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 23 / 23
45 4. Wie geht es weiter? Zusammenfassung (Super-)Computer besitzen heute schon eine dem Gehirn entsprechende Rechenleistung. Computer können heute schon viele kognitive Aufgaben, die bisher Menschen vorbehalten waren, mehr oder weniger lösen Schach spielen, Fußball spielen, Auto fahren, Fragen beantworten,... Lernfähige Programme und Roboter beruhen oft auf einfachen Prinzipien (nicht auf komplexen mathematischen Theorien). Zum Experimentieren genügt ein Computer (und ein Lego-Roboter). Computer können heute noch nicht denken. Aber die Entwicklung ist rasant... Lars Schmidt-Thieme, ISMLL, Universität Hildesheim 23 / 23
Prof. Dr. Lars Schmidt-Thieme. Schüler-Universität, 16. April 2015
Können Computer denken? Prof. Dr. Lars Schmidt-Thieme Information Systems and Machine Learning Lab (ISMLL) Institut für Informatik Universität Hildesheim Schüler-Universität, 16. April 2015 Lars Schmidt-Thieme,
Mehr1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.
Grundlagen der Künstlichen Intelligenz 20. Februar 2015 1. Einführung: Was ist Künstliche Intelligenz? Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert Universität Basel 20. Februar 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
MehrLehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
MehrSeminare und Praktika im Sommersemester 2011
Seminare und Praktika im Sommersemester 2011 Information Systems and Machine Learning Lab (ISMLL) K. Buza, T. Horvath, A. Nanopoulos, L. Schmidt-Thieme Hildesheim, Januar 31, 2011 1 / 1 Übersicht Master-Seminar:
Mehrder Turing Test und seine Varianten Woran erkennt man intelligentes Verhalten?
der Turing Test und seine Varianten Woran erkennt man intelligentes Verhalten? Turings Imitation Game [Turing Test] Version 1 Turings Imitation Game [Turing Test] Version 1 Version 2 Konversation im Imitation
MehrLars Schmidt-Thieme et al., Information Systems and Machine Learning Lab (ISMLL), University of Hildesheim, Germany, 0/13
0/13 Lehrveranstaltungen Wintersemester 2011/2012 WI-Gebiet Anwendungssysteme (teilw.) WI-Gebiet Business Intelligence Informatik-Gebiet KI & Maschinelles Lernen Prof. Dr. Dr. Lars Schmidt-Thieme Information
MehrKünstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX
Künstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX Künstliche Intelligenz Was ist Künstliche Intelligenz? KI und der Mensch: Miteinander oder Gegeneinander?
MehrFragen im present progressive
Aufgabe 1 Fragen im present progressive Einen Satz im present progressive kannst du ganz einfach in eine Frage umwandeln: Du musst nur die die Form von to be (am, is, are) an den Anfang stellen. Bsp.:
MehrUmgangssprache für Anfänger. Übungen
Übungen Ergänze die Sätze machst Wetter geht Prüfung Terminkalender sind spät wo dir es mein besorge Deutschkurs können auf Tickets zu Ihre nicht vielen los Neues Frage mit ich 1. Was du? 2. Wie ist das?
MehrProseminar: Geschichte des Computers Schachprogrammierung Die Digitale Revolution
Die Digitale Revolution Internet 3D-Drucker Quants Singularität 27.02.14 Johannes Polster Das Spiel der Könige Sehr altes Spiel: Entstehung vor 1500 Jahren Weltberühmt Strategisches Spiel Kein Glück, Intelligenz,
MehrRegel 1: Wie kann ich einen Besitz ausdrücken?
Regel 1: Wie kann ich einen Besitz ausdrücken? - mein Auto, dein Haus, unser Klassenraum besitzanzeigender Begleiter (= Possessive Pronoun) - Lisas Familie, Thomas Freund, Bernds Zimmer Wessen-Fall (Genitiv-S)
MehrSherlock is Luke s dog. This is the Elliots house.
Unit 2: Wie kann ich einen Besitz ausdrücken? Wie formuliere ich Regeln? a) Besitz ausdrücken mit dem Genitiv (= Wessen-Fall): Deutsch: Wessen Vater ist David? David ist Sams Vater. Der Genitiv bezieht
MehrVorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrAlan Mathison Turing: Computing Machinery and Intelligence
Kai Hauser: Intelligente Maschinen: eine mathematisch-philosophische Perspektive Sommersemester 2001 Fachbereich 03: Mathematik Technische Universität Berlin Alan Mathison Turing: Computing Machinery and
MehrComputer Science meets Philosophy the Future of AI
Computer Science meets Philosophy the Future of AI Seminar im Sommersemester 2017 Vorbesprechung, 27.04.2017 INSTITUT FÜR THEORETISCHE INFORMATIK & INSTITUT FÜR PHILOSOPHIE Superintelligence cover, CC-BY-SA
MehrAlgorithmenalltag. Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering
Algorithmenalltag Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering Start reden (Begrüßung) vortragen Aufmerk-samkeit erlangt? kurze Pause machen Ende Algorithmen Was machen sie mit uns? Was sind
Mehrin der Versorgungstechnik? Prof. Dr. Michael Krödel
Künstliche Intelligenz (KI) in der Versorgungstechnik? g Was ist KI? Künstliche Intelligenz (KI; engl. artificial i intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung
MehrUniversität zu Köln Institut für Sprachverarbeitung Dozent: Claes Neuefeind Sommersemester von Trifon Kirov und Börge Kiss
ChatterBots Universität zu Köln Institut für Sprachverarbeitung Dozent: Claes Neuefeind Sommersemester 2012 von Trifon Kirov und Börge Kiss Inhalt Definition Geschichte Varianten und Beispiele Funktionsweise
MehrSeminar Künstliche Intelligenz Wintersemester 2014/15
Seminar Künstliche Intelligenz Wintersemester 2014/15 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 15.10.2014 2 / 14 Überblick Teilgebiete der KI Problemlösen,
MehrSpusiso Kindheit in Swasiland
Spusiso Kindheit in Swasiland 5 10 Der 14jährige Spusiso besucht die Enjabulweni Bridging School. Die Schule wird von Manzini Youth Care in Manzini unterhalten. Die Organisation wird von den Schüler der
MehrUnterrichtsmaterialien in digitaler und in gedruckter Form. Auszug aus: Vertretungsstunde Englisch 5. Klasse: Grammatik
Unterrichtsmaterialien in digitaler und in gedruckter Form Auszug aus: Vertretungsstunde Englisch 5. Klasse: Grammatik Das komplette Material finden Sie hier: School-Scout.de Pronouns I Let s talk about
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrChatbots Eliza, Alexa, Poncho & Co
IT-Development & Consulting Chatbots Eliza, Alexa, Poncho & Co Sven Adolph, 08.03.2018 it-people it-solutions 2018 PIXEL GmbH - Ein Unternehmen der PIXEL Group - www.pixel.de Folie 2 Bots are the new apps
MehrFachübersetzen - Ein Lehrbuch für Theorie und Praxis
Fachübersetzen - Ein Lehrbuch für Theorie und Praxis Radegundis Stolze Click here if your download doesn"t start automatically Fachübersetzen - Ein Lehrbuch für Theorie und Praxis Radegundis Stolze Fachübersetzen
MehrEinführung in die AI
1 Einführung in die AI Prof. Georg Gottlob Institut für Informationssysteme Technische Universität Wien Folien zur Vorlesung Konzepte der Artificial Intelligence 3 Zum Begriff Artificial Intelligence AI:
MehrDialog-KI in IT-basierten Spielen
Dialog-KI in IT-basierten Spielen Kommunikation zwischen Mensch und NPC Vortrag von Friederike Bulka Was ist eine Dialog-KI? Es gibt (bis jetzt) 3 Arten wie Mensch und Rechner in Spielen kommunizieren.
MehrEinführung in die Artificial Intelligence
Einführung in die Artificial Intelligence Institut für Computertechnik ICT Institute of Computer Technology Roland Lang mailto:langr@ict.tuwien.ac.at Definition: Was ist AI? ISO 4177: Artificial Intelligence
MehrWillst du jemandem einen Rat oder eine Anweisung geben, dann verwendest du den Imperativ: Hier nun ein paar Beispiele:
Aufgabe 1 verneinter Imperativ Willst du jemandem einen Rat oder eine Anweisung geben, dann verwendest du den Imperativ: Hier nun ein paar Beispiele: Gib mir bitte die Milch Please pass me the milk. Das
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
Mehr1. Hello, I m Francis Docherty. a. No, sorry. I m not. 2. I m sorry. What was your b. I don t think he
A1 Hello, I m Francis Docherty. Was passt zusammen? 1. Hello, I m Francis Docherty. a. No, sorry. I m not. 2. I m sorry. What was your b. I don t think he name again? is at the moment. 3. Excuse me. Are
MehrKünstliche Intelligenz
Künstliche Intelligenz Dr. Claudia Schon schon@uni-koblenz.de Institute for Web Science and Technologies Universität Koblenz-Landau Organisatorisches Termine: Jeweils von 14:00-15:30 Uhr und 15:45-17:15
MehrOffenes Lernen 1: Pflichtaufgaben
Offenes Lernen 1: Pflichtaufgaben You have to do all of these tasks. Du musst alle diese Aufgaben machen. 1. Spelling Bee Work with a partner. One partner takes five words out of the box and tells the
MehrEinführung in die Robotik Einführung. Mohamed Oubbati Institut für Neuroinformatik. Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10.
Einführung in die Robotik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 23. 10. 2012 Was ist ein Roboter? Was ist ein Roboter? Jeder hat
Mehrelaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten?
elaboratum InsureFin Digital Day 2018 Was kann KI für die Finanzdienstleistungs- und Versicherungsbranche leisten? Wolfgang Beinhauer Fraunhofer IAO Seite 1 Mensch oder Maschine? Der Turing-Test (Alan
MehrProseminar Künstliche Intelligenz
Proseminar Künstliche Intelligenz Sommersemester 2009 Einführung und Themenvergabe 23. April 2009 Who is who Veranstalter Prof. Friedrich v. Henke Friedrich.von-Henke@uni-ulm.de Raum O 27 / 450 Sprechstunde
MehrFakultät für Informatik, Institut für Robotik. Legorobotik Graphische Programmierung Vorstellung des EV3 Systems und der Programmierumgebung.
Fakultät für Informatik, Institut für Robotik Legorobotik Graphische Programmierung Vorstellung des EV3 Systems und der Programmierumgebung Ute Ihme Hochschule Mannheim Ute Ihme DAS LEGO MINDSTORMS System
MehrBIRTHDAY PRESENTS FOR GRANDMOTHERS
BIRTHDAY PRESENTS FOR GRANDMOTHERS Fertigkeit Hören Relevante(r) Deskriptor(en) Deskriptor 5: Kann einfachen Interviews, Berichten, Hörspielen und Sketches zu vertrauten Themen folgen. (B1) Themenbereich(e)
MehrWillkommen zum neuen Semester!
Willkommen zum neuen Semester! Informationsmanagement und Informationstechnologie (IMIT) und Wirtschaftsinformatik (Winf) Wintersemester 2012/13 1 Informationen (1) Belegung von Mastermodulen im Bachelor
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrGeneral Online Research Conference GOR February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany
General Online Research Conference GOR 18 28 February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany Christopher Harms, SKOPOS GmbH & Co. KG Keine Angst vor Ihrem neuen Kollegen,
MehrThomas Gutenbach: Guten Tag, ich heiße Thomas Gutenbach. Ich bin der neue Mitarbeiter.
Dialog 1 Der neue Kollege Thomas Gutenbach: Guten Tag, ich heiße Thomas Gutenbach. Ich bin der neue Mitarbeiter. Kathrin Müller: Guten Tag Herr Gutenbach! Ich heiße Kathrin Müller. Es freut mich Sie kennenzulernen.
MehrInformatik I. Informatik I Was haben wir gelernt? 28.2 Algorithmusbegriff Was geht nicht? 28.1 Was haben wir gelernt?
Informatik I 14.02.2014 28. Ausblick Informatik I 28. Ausblick Bernhard Nebel Albert-Ludwigs-Universität Freiburg 28.1 28.2 28.3 Was geht nicht? 14.02.2014 Bernhard Nebel (Universität Freiburg) Informatik
MehrLearning to Optimize Mobile Robot Navigation Based on HTN Plans
Learning to Optimize Mobile Robot Navigation Based on HTN Plans lernen Betreuer: Freek Stulp Hauptseminar Intelligente Autonome Systeme (WiSe 2004/05) Forschungs- und Lehreinheit Informatik IX 8. Dezember
MehrOWM Future Inspiration Day 22. März 2017 Artificial Intelligence Bosch is teaching the vehicle how to drive. Rosa Meckseper VP Marketing and Business
OWM Future Inspiration Day 22. März 2017 Artificial Intelligence Bosch is teaching the vehicle how to drive. Rosa Meckseper VP Marketing and Business Strategy Robert Bosch GmbH INTERNET DER DINGE OWM R.
Mehr2. Teil: Programmierung der Roboter
,, 2. Teil: Programmierung der Lego Mindstorms Schulprojekt der Technischen Universität Dänemark Technische Universität Dänemark Institut für Mathematik Januar 2008 , Der Labyrinth- Wettbewerb Lego Mindstorms
MehrWahlpflichtfach Informatik
Wahlpflichtfach Informatik Dipl.-Ing. Michael NIEDERLE Klassen: 6C, 7AB 3-jährig (1 Doppelstunde pro Jahr); maturabel Was vor wenigen Jahren noch Sciene Fiction war, ist heute Realität. So entwickelt z.b.
MehrCan you tell me the way and a bit more? Zufällige Begegnungen sprachlich nutzen VORANSICHT. Das Wichtigste auf einen Blick.
I/B Communication Speaking 7 Can you tell me the way? (Kl. 6/7) 1 von 24 Can you tell me the way and a bit more? Zufällige Begegnungen sprachlich nutzen (Klassen 6 und 7) Ein Beitrag von Sylvia Schmidt,
MehrCOMPUTER: Mission Berlin. November 9, 2006, ten o ten am. You've got 120 minutes to save Germany and 3 lives. Can you trust the superintendent?
Episode 03 Direction Kantstraße Anna heads off towards Kantstraße but is held up because she has to ask for directions. She loses more time when the men on motorcycles arrive and shoot at her. The mission
MehrAlle Aufgaben, die Lösungen zu den Aufgaben und eine Übersicht zu den Grammatiken findest du im Internet:
Übungsblatt 23 Klasse 5b Name: Abgabedatum: Di, 11.5.2004 Alle Aufgaben, die Lösungen zu den Aufgaben und eine Übersicht zu den Grammatiken findest du im nternet: http://www-i1.informatik.rwth-aachen.de/infoki/engl5k/index.htm
MehrMarketing & Life in a Data-Driven World
Martin Nitsche Marketing & Life in a Data-Driven World 13.11.2017 Marketing & Life in a Data-Driven World 1 Frage: Welcher exponentielle Verlauf ist hier abgebildet? 13.11.2017 Marketing & Life in a Data-Driven
Mehr1 Kopiervorlagen. KV 2 a: Hello. KV 2 b: What s the number? Greenwich. mouse. school. name. mobile. one. how. . Thomas Tallis is my new
KV 2 a: Hello. Write in English. Hello. I m a mouse. My name is Tom. I m from Greenwich. Thomas Tallis is my new school. I m one and how old are you? My mobile number is 0 77 40 91 54 62. KV 2 b: What
MehrWortschatzliste 1-1. Students will be able to greet and say good-bye to others. Fine! / Good! / Well! Unit 1: Getting to Know You
Wortschatzliste 1-1 Students will be able to greet and say good-bye to others. Hallo! Guten Tag! Guten Morgen! Morgen! Guten Abend! Gute Nacht! Grüβ Gott! Grüβ dich! Auf Wiedersehen! Tschüs! Tschau! Bis
MehrRelevante(r) Deskriptor(en) Deskriptor 5: Kann einfachen Interviews, Berichten, Hörspielen und Sketches zu vertrauten Themen folgen.
SUMMER HOLIDAY TIPS Fertigkeit Hören Relevante(r) Deskriptor(en) Deskriptor 5: Kann einfachen Interviews, Berichten, Hörspielen und Sketches zu vertrauten Themen folgen. (B1) Themenbereich(e) Kultur, Medien
MehrKünstliche Intelligenz
Künstliche Intelligenz Dr. Claudia Schon schon@uni-koblenz.de Arbeitsgruppe Künstliche Intelligenz Universität Koblenz-Landau Organisatorisches Termine: an allen Dienstagen und Donnerstagen im September
MehrDer Turing-Test. 1 Turing, Computing Machines and Intelligence.
Der Turing-Test Der nach Alan Turing benannte Test, bei dem eine Testperson entscheiden soll, ob sie mit einem Computer oder eine Person (per Chat oder Teletext) kommuniziert 1, gehört zum Standardrepertoire
MehrDie Denkschule 1 Reto Speerli
Die Denkschule 1 Octopus A1 Aufgabe: Verbinde den NXT-Baustein (CPU) mit allen Motoren und den Sensoren (Berührung, Ultraschall, Licht und Geräusch). Logge dich beim Open-Roberta Lab ein und verbinde den
MehrKünstliche Intelligenz im Informatikunterricht -Unterrichtseinheit Chatbots- Klasse 9/10. Helmut Witten & Malte Hornung
Künstliche Intelligenz im Informatikunterricht -Unterrichtseinheit Chatbots- Klasse 9/10 Helmut Witten & Malte Hornung KI im Informatikunterricht: Unterrichtseinheit Chatbots 1 Agenda Motivation und Ziele
MehrMachine Learning & Künstliche Intelligenz
Dr. med. Christina Czeschik Serapion www.serapion.de Machine Learning & Künstliche Intelligenz Eine kurze Einführung Künstliche Intelligenz intelligent nutzen Essen, 08.06.2018 Künstliche Intelligenz Turing-Test
Mehr(Teilausgabe Kapitel 1 und 2)
(Teilausgabe Kapitel 1 und 2) 1 Begrüßung, Vorstellung und Familie (welcome, introduction and family) 1.1 Willkommen (welcome) Hallo! Hello! Bitte! You re welcome! Willkommen! Welcome! Danke! Thank you!
MehrWie können See how wir far Enchanting away something mitteilen, is. dass am NXT der Lichtsensor an Port 3 angeschlossen ist?
Wie können See how wir far Enchanting away something mitteilen, is. dass am NXT der Lichtsensor an Port 3 angeschlossen ist? 1. Klicke auf das Fühlen - Menü 2. Klicke auf Sensoren festlegen 3. Suche auf
Mehr1 Kopiervorlagen. KV 2 a: Hello. KV 2 b: What s the number? Greenwich. mouse. school. name. one. how. . My. Hello. I m a. . Thomas Tallis is my new
KV 2 a: Hello. Write in English. Hello. I m a mouse. My name is Tom. I m from Greenwich. Thomas Tallis is my new school. I m one and how old are you? My mobile number is 0 77 40 91 54 62. KV 2 b: What
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
MehrPhysik. Geografie Biologie. Chemie. Geschichte. crede quod habes, et habes. Latein Religion. Englisch. Deutsch. Französisch.
Geschichte Geografie Biologie Chemie Physik crede quod habes, et habes Deutsch Französisch Englisch Latein Religion Sport Mathematik Informatik Kunst Musik Was ist dein Lieblingsfach? Mein Lieblingsfach
MehrYes/No questions. Zur Erinnerung nochmal ein kleiner Überblick: Has David got a broken leg? Does Jenny buy Pop Time every week?
Aufgabe Yes/No questions Zur Erinnerung nochmal ein kleiner Überblick: Kommt in einem Satz ein Hilfsverb wie can, must, /has oder eine Form von to be vor, bildest du die Frage so: You can help me. Can
MehrFakultät für Informatik, Institut für Robotik Laborpraktikum I Legorobotik graphische Programmierung
Fakultät für Informatik, Institut für Robotik Laborpraktikum I Legorobotik graphische Programmierung Ute Ihme Hochschule Mannheim Ute Ihme DAS LEGO MINDSTORMS System Das EV3 System Prinzip von LEGO MINDSTORMS
MehrCOMPUTER: Mission Berlin. November 9, 2006, eleven-five am. You've got 65 minutes to accomplish your mission.
Episode 14 Back to the Future Anna discovers the time machine and is told that a gang of time terrorists are out to erase an historic event. But which one? The player sends her back to 1961. She has only
MehrWas bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre
Was bringt die Zukunft? Herausforderungen und Gelegenheiten - die nächsten 5-7 Jahre Futurist Humanist Algorithmen Androrithmen Imagine Develop Foresights Sind Sie zukunftsbereit? Understand Observe Foresights
MehrShe works with a computer. Does she work with a computer? He writes s. Does he write s? It sounds right. Does it sound right?
REPEAT Fragen stellen Im Deutschen durch Veränderung der Wortstellung Du sprichst Englisch. 2 1 3 Sprichst du Englisch? Asking questions Im Englischen mit do oder does und das s wandert vom Verb weg. You
MehrMATHEMATIK - MODERNE - IDEOLOGIE. EINE KRITISCHE STUDIE ZUR LEGITIMITAT UND PRAXIS DER MODERNEN MATHEMATIK (THEORIE UND METHODE) FROM UVK
MATHEMATIK - MODERNE - IDEOLOGIE. EINE KRITISCHE STUDIE ZUR LEGITIMITAT UND PRAXIS DER MODERNEN MATHEMATIK (THEORIE UND METHODE) FROM UVK DOWNLOAD EBOOK : MATHEMATIK - MODERNE - IDEOLOGIE. EINE KRITISCHE
MehrDownload Katharina Walter, Claudine Steyer
Download Katharina Walter, Claudine Steyer Auer Führerscine Englisch Klasse 5 Pronouns & Question Words Downloadauszug aus dem Originaltel: Auer Führerscine Englisch Klasse 5 Pronouns & Question Words
MehrCOMPUTER: Mission Berlin. November 9, 2006, ten o ten am. You've got 120 minutes to save Germany and 3 lives. Can you trust the superintendent?
Episode 03 Richtung Kantstraße Anna macht sich auf den Weg zur Kantstraße, wird aber aufgehalten, weil sie nach dem Weg fragen muss. Sie verliert noch mehr Zeit, als die Motorradfahrer mit den schwarzen
MehrEFS Deep Learning für das Fahren der Zukunft. Anton Junker
EFS Deep Learning für das Fahren der Zukunft Anton Junker Wer ist die EFS? Wer sind wir? Unternehmen Gründung 2009 Standort Ingolstadt/Wolfsburg Beteiligung GIGATRONIK Gruppe (51%) Audi Electronics Venture
MehrRoboter programmieren
16 mm Grundregeln beim Roboterbau Grundmodelle bauen: vierrädrig, zweirädrig, mit Kettenantrieb Programmiergrundlagen Motoren Konstanten und Datenknoten Schalter, Logik und Operatoren Sensoren und Variablen
MehrEin Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten. Click here if your download doesn"t start automatically
Ein Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten Click here if your download doesn"t start automatically Ein Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten Ein Stern in dunkler
MehrSoftware, Data und Machine Learning Engineers bei der Lufthansa Industry Solutions (Trendtalk)
Technology Day am 10:45 11:45 Uhr Raum: Empore Software, Data und Machine Learning Engineers bei der Lufthansa Industry Solutions (Trendtalk) Bernhard Kube, Vice President, Die Lufthansa ist ein Konzern
MehrWir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)
6. Neuronale Netze Motivation Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs) Abstrakt betrachtet sind alle diese
MehrLearning Human Body Movement
Learning Human Body Movement 22. Januar 2018 Seminar Neueste Trends in Big Data Analytics Betreuer: Christian Hovy Gliederung 1. Motivation 2. Rückblick auf Machine Learning 3. Terminologie 4. Überblick
MehrPraktikum Experience Design From Experience Story to Scheme
Praktikum Experience Design From Experience Story to Scheme Daniel Ullrich Stina Schick Folie: 1 Analysis of the elements of a story. Experience Design gernerates a story from the experience produced by
MehrIn dieser Aufgabe geht es um das Thema Schule. Hör dir das Wort an und entscheide, welches Bild gemeint ist.
Kompetenztest 5.1 Lösungsblatt In dieser Aufgabe geht es um das Thema Schule. Hör dir das Wort an und entscheide, welches Bild gemeint ist. rucksack In dieser Aufgabe geht es um das Thema Schule. Wie heißt
MehrFragen? Wie komme ich effizient zu einem Programm? Wie beschreibe/dokumentiere ich meine Idee?
Fragen? Wie komme ich effizient zu einem Programm? Wie beschreibe/dokumentiere ich meine Idee? Schritte beim Programmieren Idee, was der Roboter tun soll? EVA-Prinzip E: Eingabe Welche Daten werden über
MehrDownload. Auer Führerscheine Englisch Klasse 5. Pronouns & Question Words. Katharina Walter, Claudine Steyer. Downloadauszug aus dem Originaltitel:
Download Katharina Walter, Claudine Steyer Auer Führerscine Englisch Klasse 5 Pronouns & Question Words Downloadauszug aus dem Originaltel: Auer Führerscine Englisch Klasse 5 Pronouns & Question Words
MehrRATAVA. COMPUTER: Mission Berlin. November 9, 2006, ten thirty am. You ve got 75 minutes, 2 lives and some help:
07 RATAVA RATAVA? RATAVA? Manuscript of the Episode INTRODUCTION. November 9, 2006, ten thirty am. You ve got 75 minutes, 2 lives and some help: Anna, Ihre Mission ist riskant. Sie sind in Gefahr. Die
MehrIm Fluss der Zeit: Gedanken beim Älterwerden (HERDER spektrum) (German Edition)
Im Fluss der Zeit: Gedanken beim Älterwerden (HERDER spektrum) (German Edition) Ulrich Schaffer Click here if your download doesn"t start automatically Im Fluss der Zeit: Gedanken beim Älterwerden (HERDER
MehrDOWNLOAD. Einfache Lernspiele Die Fragewörter. Einzel-, Partner- und Gruppenarbeit. Einfache Lernspiele für den Englischunterricht.
DOWNLOAD Gisela Küfner Einfache Lernspiele Die Fragewörter Einzel-, Partner- und Gruppenarbeit Gisela Küfner Downloadauszug aus dem Originaltitel: Bergedorfer Unterrichtsideen Einfache Lernspiele für den
Mehr+ROLGD\V 1LYHDX$ )HUWLJNHLW+ UYHUVWHKHQ
+ROLGD\V )HUWLJNHLW+ UYHUVWHKHQ 1LYHDX$ Wenn langsam und deutlich gesprochen wird, kann ich kurze Texte und Gespräche aus bekannten Themengebieten verstehen, auch wenn ich nicht alle Wörter kenne. 'HVNULSWRU
MehrEinführung in die Künstliche Intelligenz
Einführung in die Künstliche Intelligenz Vorlesung WS 2004/05 Joachim Hertzberg, Andreas Nüchter (Übungen) Institut für Informatik Abteilung Wissensbasierte Systeme 1 Web-Seite Organisatorisches http://www.inf.uos.de/hertzberg/lehre/2004_ws/vorlesung_ki-intro/ki_ws04.html
MehrEnglish grammar BLOCK F:
Grammatik der englischen Sprache UNIT 24 2. Klasse Seite 1 von 13 English grammar BLOCK F: UNIT 21 Say it more politely Kennzeichen der Modalverben May and can Adverbs of manner Irregular adverbs Synonyms
MehrInformatik I: Einführung in die Programmierung
Informatik I: Einführung in die Programmierung 30. Ausblick Albert-Ludwigs-Universität Freiburg Bernhard Nebel 13.02.2016 1 13.02.2016 B. Nebel Info I 3 / 17 Programmieren jedenfalls ein bisschen Python-Programme
MehrKognitive Modellierung. Übung zur Vorlesung
Kognitive Modellierung Übung zur Vorlesung S. 1 Organisatorisches Kurstyp: Übung zur Vorlesung Die Veranstaltung findet jeden Donnerstag von 10.15 11.45 Uhr statt. Nächste Woche (24.10.) findet an Stelle
MehrSeminarvortrag. Entscheidungsunterstützung durch KI Systeme
Seminarvortrag Entscheidungsunterstützung durch KI Systeme R E N E D R A L L E 03. 0 5. 20 1 8 K R E AT I V I TÄT U N D T E C H N I K S S 1 8 G R A E B E Inhalt Was ist Künstliche Intelligenz? Künstliche
MehrKünstliche Intelligenz - eine Anleitung zum Selberbauen
Künstliche Intelligenz - eine Anleitung zum Selberbauen Benedikt Kahmen Künstliche Intelligenz ist jetzt schon um uns herum. Sichtbar und unsichtbar, in Smartphones, an den Finanzmärkten, sogar im Aufzug.
MehrDigitalisierung im Service Management - Was bringen AI, Chatbots und Co.?
Digitalisierung im Service Management - Was bringen AI, Chatbots und Co.? Agenda AI, Chatbot, KI, machine learning Stopp.wie bitte? Künstliche Intelligenz Ein Blick aus der Vergangenheit Status quo KI
MehrGeist im Computer? Vortrag in der Reihe Kortizes Nürnberg, 2. April Christoph von der Malsburg. Frankfurt Institute for Advanced Studies
Geist im Computer? VON KÜNSTLICHER INTELLIGENZ ZU AUTONOMEN ORGANISMEN Vortrag in der Reihe Kortizes Nürnberg, 2. April 2019 Christoph von der Malsburg Frankfurt Institute for Advanced Studies Malsburg@fias.uni-frankfurt.de
MehrOctober 21, Ch 2 Notes.notebook
Kapitel 2 Interests Questions to ask: Was machst du in deiner Freizeit? -What do you do in your free time? Spielst du Volleyball? -Do you play volleyball? Was macht Hans? -What does Hans do? Spielt er
MehrWas ist Informatik? Alexander Lange
Was ist Informatik? Was ist Informatik? Alexander Lange 12.11.2003 Was ist Informatik? Inhalt 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. Das Wort»Informatik«Die Idee Teilgebiete der Informatik Technische Informatik
Mehr