Suche in Spielbäumen Projektvorschläge
|
|
- Klaus Stein
- vor 7 Jahren
- Abrufe
Transkript
1 Suche in Spielbäumen Projektvorschläge
2 Nullsummenspiele sind Spiele mit zwei Spielern, bei denen der Vorteil des einen Spielers dem Nachteil des anderen Spieler entspricht. Im einfachsten Fall binär (Sieg = 1, Niederlage -1, z.b. Tic-Tac-Toe).
3 2-Personen-Spiel: Tic-Tac-Toe Lässt sich ein Spiel wie Tic-Tac-Toe als Suchbaum darstellen? Lässt sich mit einem solchen Baum ein virtueller Tic- Tac-Toe-Spieler implementieren?
4 Tic-Tac-Toe-Baum X O X O X X X X O X O X O X O X X O X X O X X X X X X X... X: Programm O: Mensch
5 2-Personen-Spiel: Tic-Tac-Toe Lässt sich ein Spiel wie Tic-Tac-Toe als Suchbaum darstellen? Ja. Lässt sich mit einem solchen Baum ein virtueller Tic- Tac-Toe-Spieler implementieren? Benötigt wird ein Algorithmus, mit dem die Züge des zweiten Spielers vermutet werden können.
6 Tic-Tac-Toe-Baum X O... X O X O O X X X O X O O O X X X O X O O X X O Für welchen Zug wird sich O entscheiden? Was bedeutet dies für den oberen Knoten? X X O X O X O X X O 1-1
7 Tic-Tac-Toe-Baum X... 1 Nach diesem Schema lassen sich Knoten bewerten: O 1-1 Sieger(K), wenn K Endknoten X -1 Wert(K) = max(k 1,...,K n ) wenn O am Zug min(k 1,...,K n ) wennn X am Zug (K 1,...,K n sind Kindknoten von K)
8 Spielbaum
9 Allgemeines Schema Spieler MIN will Ergebnis minimieren Spieler MAX will Ergebnis maximieren MAX MIN
10 Allgemeines Schema Spieler MIN will Ergebnis minimieren Spieler MAX will Ergebnis maximieren MAX MIN
11 Allgemeines Schema Spieler MIN will Ergebnis minimieren Spieler MAX will Ergebnis maximieren MAX 2 MIN
12 MIN-MAX-Algorithmus
13 MIN-MAX-Suche Welche Bedingungen werden an die Spieler MIN und MAX gestellt? Wie effizient ist das Verfahren? Lässt sich das Verfahren verbessern? Wenn ja, wie?
14 Alpha-Beta-Suche Erweiterte MIN-MAX-Suche mit der Idee, den Suchbaum intelligenter zu durchlaufen, so dass nicht jeder Knoten/Teilbaum betrachtet werden muss. Zu jedem Knoten im Baum existiert ein Paar [,], wobei den höchsten Wert und den niedrigsten Wert im bisher besuchten Pfad repräsentieren.
15 Beispiel zur Alpha-Beta-Suche
16 Beispiel zur Alpha-Beta-Suche
17 Beispiel zur Alpha-Beta-Suche
18 Beispiel zur Alpha-Beta-Suche
19 Beispiel zur Alpha-Beta-Suche
20 Algorithmus zur Alpha-Beta-Suche
21 Algorithmus zur Alpha-Beta-Suche
22 Alpha-Beta-Suche Wie verhält sich die Alpha-Beta-Suche im schlechtesten Fall? Was ist der schlechteste Fall für die Alpha-Beta- Suche?
23 Zusammenfassung Grundlagen der KI: Aussagen & Prädikatenlogik Logisches Schließen, Boolesche Algebra, Inferenz & Prolog uninformierte Suchverfahren informierte Suchverfahren & Heuristiken Suche in Spielbäumen
24 Ausblick Unsicherheit z.b. Wie kann sich ein Agent in der Wumpuswelt verhalten, wenn er nicht genau weiß, ob ein Feld sicher ist? Lernen z.b. Wie kann ein Agent aus Beispielen lernen (generalisieren)? Anwendungsgebiete
25 Sommersemester: Projekte
26 Programmierprojekte Jedes Projekt behandelt einen algorithmischen Ansatz zur Lösung eines KI-bezogenen Problems. Eigene Programmierung wird erwartet, der Eigenanteil ist jedoch projektabhängig unterschiedlich hoch. Eigene Themenvorschläge sind erwünscht überlegen Sie aber zunächst, ob Ihre Idee sich in angemessener Vorbereitungszeit realisieren lässt!
27 Programmierprojekte Gruppenarbeit ist erwünscht, i.d.r. sollten aber nicht mehr als 2 Personen an einem Projekt arbeiten. Daraus ergeben sich ca einzelne Projekte. Der zeitliche Umfang einer Projektvorstellung sollte bei Minuten liegen. Das erste Projekt wird vermutlich bereits in der 3. Sitzung vorgestellt werden müssen!
28 Projektvorschläge mit Bezug auf Prolog
29 Chatterbots Chatterbots simulieren menschliche Gesprächspartner, i.d.r. ohne über komplexe KI-Algorithmen zu verfügen, sondern lediglich auf Pattern Matching, Regelsystemen und Wissensdatenbanken basieren. Dennoch erreichen sie teilweise sehr gute Ergebnisse. Für den ersten Chatterbot ELIZA (Weizenbaum 1966) existieren Prolog-Implementationen, aktuelle Entwicklungen (wie bspw. Project D, ehemals A.L.I.C.E.) setzen Java oder C++ ein. Evtl. lassen sich zwei Projekte zu diesem Thema realisieren.
30 Expertensysteme in Prolog Als (regelbasiertes) Expertensystem wird ein Programm bezeichnet, dass das Wissen von Experten nutzt, um Nicht-Experten bei der Analyse von Daten zu unterstützen. Expertensysteme finden in unterschiedlichen Domänen Anwendung, bspw. in Medizin, Biologie oder Erdbebenvoraussage). Die Kombination von Regeln und Wissenbasis eignet sich für eine Implementation in Prolog.
31 Textadventure mit Prolog Erste Adventure-Spiele am PC mussten ohne graphische Benutzeroberfläche auskommen der Spieler gab natürlichsprachliche Kommandos in einer Konsole ein, während das Spiel diese analysierte und mit passenden Ausgaben und Zustandsänderungen reagierte. Damit eignet es sich ebenfalls für eine Implementation in Prolog. Amzi-Tutorial: The Hitchhiker's Guide to Galaxy:
32 Definite Clause Grammar DCGs sind Prologs Äquivalent zu Phrasenstrukturgrammatiken. Mit Ihnen lassen sich Regeln wie S --> NP, VP. NP --> N. N --> hans. VP --> singt. modellieren, so dass sehr schnell ein einfacher Parser implementiert werden kann.
33 Projektvorschläge mit Bezug auf Russell & Norvig
34 Bayessche Netze Mit bayesschen Netzen ist es (unter anderem) möglich, unsicheres Wissen in logische Entscheidungsprozesse einzubinden. Kanten in einem bayesschen Graph drücken Kausalbedingungen aus. Sowohl Parameter als auch die Struktur des Netzes sind algorithmisch ermittelbar (lernbar). Tageszeit Karneval Konzentration Alkoholkonsum Strassenzustand Sicht Unfall
35 Neuronale Netze Künstliche Neuronale Netze sind Graphen, in denen Knoten (Neuronen) durch Kanten (Synapsen) verbunden sind. Wie im biologischen Vorbild bewirkt die Aktivierung eines Neurons die Aktivierung der Neuronen, mit denen dieses verbunden ist die Intensität der Aktivierung ist dabei abhängig von der Gewichtung der jeweiligen Synapse.
36 Weitere interessante Kapitel... Hidden-Markov-Modelle Genetische Algorithmen Induktives Lernen / Lernentscheidungsbäume Information Retrieval Probabilistisches Parsing Kanten-, Objekt- & Bewegungserkennung
37 Sonstige Projektvorschläge
38 Schwarmintelligenz Als klassisches Beispiel kollektiver Intelligenz gilt der Ameisenstaat, in dem ein Verbund primitiver Individuen intelligentes Verhalten zeigt. Diese Beobachtung wurde auf die KI-Forschung übertragen und findet in verschiedenen Domänen Anwendung.
39 Robocup Die Fussball-Weltmeisterschaft der Roboter bietet auch eine Simulationsliga, in der sich virtuelle Mannschaften aus jeweils 11 Spielern begegnen. Trotz Simulation sind die Bedingungen weitestgehend realistisch (begrenztes, verrauschtes Sichtfeld, Physik), so dass sich neue Algorithmen auf die realen Ligen übertragen lassen sollten. Problematisch gestaltet sich allerdings schon die Installation der Software...
40 Weiteres... Texterkennung/OCR Objekterkennung maschinelles Lernen probabilistische Sprachverarbeitung Robotik
41 Eigene Vorschläge
42 Eigene Vorschläge Sind immer wilkommen! Sollten allerdings möglichst bald (d.h. noch vor den Ferien) abgesprochen bzw. besprochen werden.
43 Sonstige Themen Im Lehrbuch: view=lehrbuchsmlg&database=lehrbuchsmlg&searc hsingletit=
44 Literatur & Grafiken Russell, Norvig (2004): Künstliche Intelligenz Ein moderner Ansatz. Kapitel 4 & 6
Künstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen
Künstliche Intelligenz - Optimierungsprobleme - Suche in Spielbäumen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Optimierungsprobleme
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Bayessche Regel Die Bayessche Regel: Herleitung
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,
MehrKünstliche Intelligenz
Stuart Russell, Peter Norvig Künstliche Intelligenz Ein moderner Ansatz 2. Auflage Mit Beiträgen von: John F. Canny Douglas D. Edwards Jitendra M. Malik Sebastian Thrun ein Imprint von Pearson Education
MehrKünstliche Intelligenz
Stuart Russell, Peter Norvig Künstliche Intelligenz Ein moderner Ansatz 2. Auflage Mit Beiträgen von: John F. Canny Douglas D. Edwards Jitendra M. Malik Sebastian Thrun PEARSON mm ein Imprint von Pearson
Mehrauf einer Suche basierender problemlösender Agent (Kapitel 3) logischer Planungsagent (Kapitel 10)
11 Planen Zentrale Fragestellung: Wie kann ein Agent die Struktur eines Problems nutzen, um komplexe Aktionspläne zu konstruieren? Bisher zwei Beispiele für planende Agenten: auf einer Suche basierender
MehrKünstliche Intelligenz
Stuart Russell, Peter Norvig Künstliche Intelligenz Ein moderner Ansatz 2. Auflage itb< en von: John F. Canny Douglas D. Edwards Jitendra M. Malik Sebast- run PEARSON Studium ein Imprint von Pearson Education
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,
MehrKünstliche Intelligenz
George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer
MehrAufgabe 1 (Allgemeines)
Klausur... Einführung in die Künstliche Intelligenz 1SS08 Aufgabe 1 (Allgemeines) (4 Punkte) a) In der Künstlichen Intelligenz unterscheidet man symbolische und subsymbolische Verfahren. Beschreibe diese
MehrWissensrepräsentation
Wissensrepräsentation Vorlesung Sommersemester 2008 12. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU Übersicht Rückblick, Zusammenhänge Mysterien 2 Inhalte im abstrakten Überblick Künstliche
MehrEinführung in die Methoden der Künstlichen Intelligenz. Klausurvorbereitung Überblick, Fragen,...
Einführung in die Methoden der Künstlichen Intelligenz Klausurvorbereitung Überblick, Fragen,... PD Dr. David Sabel SoSe 2014 Stand der Folien: 18. Juli 2014 Klausur Termin: Donnerstag 31. Juli um 9.15h
MehrDer Alpha-Beta-Algorithmus
Der Alpha-Beta-Algorithmus Maria Hartmann 19. Mai 2017 1 Einführung Wir wollen für bestimmte Spiele algorithmisch die optimale Spielstrategie finden, also die Strategie, die für den betrachteten Spieler
Mehr- Soccer Simulation - Dietmar Lammers / Hochschultag. Institut für Informatik Universität Münster. Agenten und Roboter.
Agenten Agenten und - Soccer Simulation - Institut für Informatik Universität Münster 2008-11-06 / Hochschultag Gliederung Agenten 1 Agenten 2 3 4 2006 2007 5 Agenten - Agenten Autonom agierende Programme
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2008/2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln 8-Damen-Problem Gegeben: Schachbrett
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
MehrExpertensysteme / XPS
Expertensysteme / XPS Alexander Pentzlin und Thiemo Bannasch KI II Claes Neuefeind 27.06.2012 1 Inhalt Was ist ein Expertensystem Geschichtlicher Hintergrund Prinzip eines XPS Komponenten Realisierungsprinzipien
MehrKünstliche Intelligenz Logische Agenten & Resolution
Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein
MehrUninformierte Suche in Java Informierte Suchverfahren
Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen
MehrThinking Machine. Idee. Die Thinking Machine Visualisierung versucht, die Denkprozesse eines Schachcomputers sichtbar zu machen
Thinking Machine (http://www.turbulence.org/spotlight/thinking/) Idee Die Thinking Machine Visualisierung versucht, die Denkprozesse eines Schachcomputers sichtbar zu machen Sie wurde von Martin Wattenberg
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
MehrEinführung in Heuristische Suche
Einführung in Heuristische Suche Beispiele 2 Überblick Intelligente Suche Rundenbasierte Spiele 3 Grundlagen Es muss ein Rätsel / Puzzle / Problem gelöst werden Wie kann ein Computer diese Aufgabe lösen?
MehrBayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (1) 1 / 22 Gliederung 1 Unsicheres Wissen 2 Schließen
Mehra) Fügen Sie die Zahlen 39, 38, 37 und 36 in folgenden (2, 3)-Baum ein:
1 Aufgabe 8.1 (P) (2, 3)-Baum a) Fügen Sie die Zahlen 39, 38, 37 und 36 in folgenden (2, 3)-Baum ein: Zeichnen Sie, was in jedem Schritt passiert. b) Löschen Sie die Zahlen 65, 70 und 100 aus folgendem
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen Unüberwachtes
MehrSemesterprojekt Implementierung eines Brettspiels (inklusive computergesteuerter Spieler)
Semesterprojekt Implementierung eines Brettspiels (inklusive computergesteuerter Spieler) Wintersemester 16/17 (Kleine) Einführung zu Künstlicher Intelligenz in Brettspielen Patrick Schäfer patrick.schaefer@hu-berlin.de
MehrFlächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK
Vorlesung Algorithmische Kartografie Flächenaggregation LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Martin Nöllenburg 09.07.2013 1 Flächenaggregation Flächennutzung
MehrBayessche Netze. Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind
Bayessche Netze Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind Einleitung Sicheres vs. Unsicheres Wissen Kausale Netzwerke Abhängigkeit Verbindungsarten Exkurs:
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 28. Aussagenlogik: DPLL-Algorithmus Malte Helmert Universität Basel 2. Mai 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26. Grundlagen 27. Logisches
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 0. Organisatorisches Malte Helmert Universität Basel 16. Februar 2015 Organisatorisches Personen: Dozent Dozent Prof. Dr. Malte Helmert E-Mail: malte.helmert@unibas.ch
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze
MehrGrundlagen der Künstlichen Intelligenz Einführung Minimax-Suche Bewertungsfunktionen Zusammenfassung. Brettspiele: Überblick
Grundlagen der Künstlichen Intelligenz 22. Mai 2015 41. Brettspiele: Einführung und Minimax-Suche Grundlagen der Künstlichen Intelligenz 41. Brettspiele: Einführung und Minimax-Suche Malte Helmert Universität
MehrBACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON
BACKPROPAGATION & FEED-FORWARD DAS MULTILAYER PERZEPTRON EINFÜHRUNG IN KÜNSTLICHE NEURONALE NETZE Modul Leitung Technischer Datenschutz und Mediensicherheit Nils Tekampe Vortrag Jasmin Sunitsch Abgabe
MehrVorlesung 1: Graphentheorie. Markus Püschel David Steurer. Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich
Vorlesung 1: Graphentheorie Markus Püschel David Steurer Algorithmen und Datenstrukturen, Herbstsemester 2018, ETH Zürich Plan für die ersten Vorlesungen Vorlesungen 1,2: wichtige mathematische Grundlagen;
MehrERGÄNZUNGSFACH INFORMATIK
Informatik 1/5 ERGÄNZUNGSFACH INFORMATIK 1. STUNDENDOTATION 1. Klasse 2. Klasse 3. Klasse 4. Klasse 5. Klasse 6. Klasse 1. Semester 2 2 2. Semester 2 2 2. BILDUNGSZIELE Die Informatik durchdringt zunehmend
MehrWoher Methoden der KI stammen Gebiete der Künstlichen Intelligenz wissensbasierte Systeme
Woher Methoden der KI stammen Gebiete der Künstlichen Intelligenz (induktives) Lernen Aus einer anwendungsorientierten Sicht spielen in der Künstlichen Intelligenz insbesondere folgende Gebiete eine Rolle:
MehrWissensrepräsentation Vorlesung
Wissensrepräsentation Vorlesung Sommersemester 2008 1. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU Wissensrepräsentation, SS 2008 (1) Organisatorisches (2) Überblick: Inhalte Organisatorisches
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrTeil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung
Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &
MehrGrundlagen der KI + Reasoning Agents
Grundlagen der KI + Reasoning Agents Prof. Thielscher Welche heuristischen Suchverfahren gibt es? Erläutern Sie A* am Beispiel. Aufbau und Schlussfolgerungen von Bayesschen Netzen. Thielscher drängt auf
MehrSemester-Fahrplan 1 / 17
Semester-Fahrplan 1 / 17 Hydroinformatik I Einführung in die Hydrologische Modellierung Bayes sches Netz Olaf Kolditz *Helmholtz Centre for Environmental Research UFZ 1 Technische Universität Dresden TUDD
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 4: Suchstrategien Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. April 2017 HALBORDNUNG TOPOLOGISCHE ORDNUNG TOPOLOGISCHES
MehrElectronic Design Automation (EDA) Technology Mapping
Electronic Design Automation (EDA) Technology Mapping Überblick digitale Synthese Technology Mapping Abbildung durch die Abdeckung eines Baumes Partitionierung des DAG Dekomposition und Abdeckung Beispiel
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen Dr. David Sabel WS 2012/13 Stand der Folien: 5. November 2012 Zwei-Spieler-Spiele Ziel dieses Abschnitts Intelligenter Agent für
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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Datenstrukturen: Anordnung von Daten, z.b. als Liste (d.h. in bestimmter Reihenfolge) Beispiel: alphabetisch sortiertes Wörterbuch... Ei - Eibe - Eidotter... als Baum (d.h.
MehrLernmodul 7 Algorithmus von Dijkstra
Folie 1 von 30 Lernmodul 7 Algorithmus von Dijkstra Quelle: http://www.map24.de Folie 2 von 30 Algorithmus von Dijkstra Übersicht Kürzester Weg von A nach B in einem Graphen Problemstellung: Suche einer
MehrEinführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen Prof. Dr. Manfred Schmidt-Schauß SoSe 2016 Stand der Folien: 12. Mai 2016 Zwei-Spieler-Spiele Ziel dieses Abschnitts Intelligenter
MehrInformatik II Übung 9
Informatik II Übung 9 Florian Scheidegger florsche@student.ethz.ch Folien mit freundlicher Genehmigung adaptiert von Gábor Sörös und Simon Mayer gabor.soros@inf.ethz.ch, simon.mayer@inf.ethz.ch Informatik
MehrZwei-Spieler-Spiele. Einführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen. Schach. Schach (2)
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen PD Dr. David Sabel SoSe 24 Ziel dieses Abschnitts Intelligenter Agent für Zweipersonenspiele Beispiele: Schach, Dame, Mühle,...
MehrVorwort zur dritten Auflage
Vorwort zur dritten Auflage In Kap. 8 gibt es nun zwei neue Abschnitte. Das wichtige Thema Kreuzvalidierung erhält in Abschn. 8.5 endlich den verdienten Raum. In Abschn. 8.8 über One-Class-Learning werden
MehrGenetische Programmierung
15. Juli 2007 Anfang der 90er von John R. Koza entwickelt. Verfahren zur automatisierten Erstellung von Programmen. Von der Evolution inspiriert. Anforderungen an die Möglichst korrekte Lösung ergeben
MehrKünstliche Intelligenz
Künstliche Intelligenz Prof. Dr. Sibylle Schwarz HTWK Leipzig, Fakultät IMN Gustav-Freytag-Str. 42a, 04277 Leipzig Zimmer Z 411 (Zuse-Bau) http://www.imn.htwk-leipzig.de/~schwarz sibylle.schwarz@htwk-leipzig.de
MehrFlächenaggregation. Benjamin Niedermann Vorlesung Algorithmische Kartografie /
Vorlesung Algorithmische Kartografie LEHRSTUHL FÜR ALGORITHMIK I INSTITUT FÜR THEORETISCHE INFORMATIK FAKULTÄT FÜR INFORMATIK Benjamin Niedermann Martin Nöllenburg 30.04.205/05.05.205 Flächennutzung Maßstab
MehrKünstliche Intelligenz
Künstliche Intelligenz Künstliche Intelligenz Ein moderner Ansatz 3., aktualisierte Auflage Stuart Russell Peter Norvig Fachliche Betreuung: Prof. Dr. Frank Kirchner Higher Education München Harlow Amsterdam
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
MehrBasic Movements Chasing and Evading
Basic Movements Chasing and Evading AI for Game Developers Kapitel 2 Vortag Inhalt: 1) Aufgaben eines KI-Systems 2) Predator/Prey behaviour 1) Notwendigkeit 2) Mögliche Verhaltensweisen 3) Ablauf und Ziele
MehrKünstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen
MehrProlog. Maximilian Ronniger
Prolog Autor: E-Mail: Maximilian Ronniger e0426625@student.tuwien.ac.at Basierend auf dem Artikel Describing Prolog by its interpretation and compilation von Jacques Cohen. Abstrakt Dieser Artikel bietet
MehrPraktikum Algorithmen-Entwurf (Teil 7)
Praktikum Algorithmen-Entwurf (Teil 7) 28.11.2005 1 1 Vier gewinnt Die Spielregeln von Vier Gewinnt sind sehr einfach: Das Spielfeld besteht aus 7 Spalten und 6 Reihen. Jeder Spieler erhält zu Beginn des
MehrBayes-Netze. Claudio Fischer Text- und Datamining (AG Digital Humanities)
Bayes-Netze Claudio Fischer 20.06.2013 Text- und Datamining (AG Digital Humanities) Agenda Wiederholung Wahrscheinlichkeitstheorie Beispiel Motivation Bayes-Netze Inferenz exakt Inferenz annäherend Belief
MehrIntelligente Systeme
Intelligente Systeme Spiele Prof. Dr. R. Kruse C. Braune {rudolf.kruse,christian,braune}@ovgu.de Institut für Intelligente Kooperierende Systeme Fakultät für Informatik Otto-von-Guericke Universität Magdeburg
MehrC. Künstliche Intelligenz
C. Künstliche Intelligenz Siehe [Norvig, Russell 2004]. Slide 1 Dimensionen der Künstlichen Intelligenz Systeme, die wie Menschen denken Systeme, die rational denken Systeme, die wie Menschen handeln Systeme,
MehrMenschliches Verhalten: Der Turing-Test. C. Künstliche Intelligenz. Loebner-Preis für Turing-Test. Dimensionen der Künstlichen Intelligenz
Menschliches Verhalten: Der Turing-Test C. Künstliche Intelligenz Def.: Intelligentes Verhalten ist die Fähigkeit, menschliche Performanz in allen kognitiven Bereichen zu erreichen, so dass ein Interviewer
MehrDimensionen der Künstlichen Intelligenz. C. Künstliche Intelligenz. Loebner-Preis für Turing-Test. Menschliches Verhalten: Der Turing Test.
Dimensionen der Künstlichen Intelligenz C. Künstliche Intelligenz Systeme, die wie Menschen denken Systeme, die rational denken Systeme, die wie Menschen handeln Systeme, die rational handeln Siehe [Norvig,
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 6. Klassische Suche: Datenstrukturen für Suchalgorithmen Malte Helmert Universität Basel 7. März 2014 Klassische Suche: Überblick Kapitelüberblick klassische Suche:
MehrZustandsraumsuche: Blinde und Heuristische Suche. Blinde und Heuristische Suche
Zustandsraumsuche: Blinde und Heuristische Suche Einführung in die KI Übungsstunde am 01.11.04 Benmin Altmeyer 1 Heute im Angebot Was ist Suche? Suche als Probemlösung Zustandsraumsuche Vollständigkeit
MehrDas Problem des Handlungsreisenden
Seite 1 Das Problem des Handlungsreisenden Abbildung 1: Alle möglichen Rundreisen für 4 Städte Das TSP-Problem tritt in der Praxis in vielen Anwendungen als Teilproblem auf. Hierzu gehören z.b. Optimierungsprobleme
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
MehrKünstliche Intelligenz
Künstliche Intelligenz Prolog - Definite Clause Grammar Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 25. Januar 2012 Wiederholung: DCGs Parser, Kongruenz, Semantik Praxis Hausaufgaben
MehrKünstliche Intelligenz
Künstliche Intelligenz Inhalt Flirts mit einem Roboter Simulation als bare Münze Die Qualität der Emergenz Artificial Life Künstliches Leben im Computer Flirts mit einem Roboter Mensch-Maschine Beziehung
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:
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe. Elementare Graphalgorithmen und Anwendungen. Minimal spannende Bäume. Kürzeste Pfade. Traveling Salesman Problem. Flüsse in Netzwerken
MehrVerkettete Datenstrukturen: Bäume
Verkettete Datenstrukturen: Bäume 1 Graphen Gerichteter Graph: Menge von Knoten (= Elementen) + Menge von Kanten. Kante: Verbindung zwischen zwei Knoten k 1 k 2 = Paar von Knoten (k 1, k 2 ). Menge aller
MehrMotivation. Formale Grundlagen der Informatik 1 Kapitel 14 Aussagenlogik Syntax & Semantik. Motivation. Motivation
Formale Grundlagen der Informatik 1 Kapitel 14 Aussagenlogik & Frank Heitmann heitmann@informatik.uni-hamburg.de Mit der Aussagenlogik lassen sich einfache Verknüpfungen zwischen (atomaren) Gebilden ausdrücken
MehrAlgorithmische Graphentheorie
Algorithmische Graphentheorie Vorlesung 7 und 8: Euler- und Hamilton-Graphen Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 17. April 2018 1/96 WIEDERHOLUNG Eulersche
MehrPlanungsansätze aus der Künstlichen Intelligenz
Planungsansätze aus der Künstlichen Intelligenz Seminarvortrag Eingereicht von Betreuender Professor: Betreuender Assistent: Felix Heitbrock Matrikelnummer: 4013238 Prof. Dr.-Ing. Andreas Terstegge Dipl.-Inform.
MehrDer Bestimmtheitssatz
2. Spielbäume und Intelligente Spiele Der Minimax-Algorithmus Der Bestimmtheitssatz Satz 2.1. Gegeben sei ein Spiel, das die folgenden Eigenschaften hat: 1. Das Spiel wird von zwei Personen gespielt. 2.
MehrMatchings (Paarungen) in Graphen. PS Algorithmen auf Graphen SS `06 Steven Birr
Matchings (Paarungen) in Graphen PS Algorithmen auf Graphen SS `06 Steven Birr 1 Gliederung 1) Definitionen und Beispiele 2) Algorithmus des maximalen Matchings 3) Das Personal-Zuteilungsproblem Ungarischer
MehrAnt Colony Optimization (ACO)
Ant Colony Optimization (ACO) Daniel Blum 24.4.2003 Projektgruppe 431 Metaheuristiken Lehrstuhl 11, Fachbereich Informatik, Universität Dortmund 1 Übersicht Vorbild Natur Übertragung der Ideen Beispiele
MehrKombinatorische Spiele mit Zufallselementen
Kombinatorische Spiele mit Zufallselementen Die Realität ist nicht so streng determiniert wie rein kombinatorische Spiele. In vielen Situationen spielt der Zufall (Risko) eine nicht zu vernachlässigende
Mehr7. Dynamische Datenstrukturen Bäume. Informatik II für Verkehrsingenieure
7. Dynamische Datenstrukturen Bäume Informatik II für Verkehrsingenieure Übersicht dynamische Datenstrukturen Wozu? Oft weiß man nicht von Beginn an, wieviele Elemente in einer Datenstruktur untergebracht
MehrBerühmte Informatiker
Berühmte Informatiker Teil 12: Alonzo Church 1903-1995 John McCarthy 1927 - * 14.06.1903 in Washington 11.08.1995 in Hudson Alonzo Church 1924 Bachelor an der Princeton University 1927 Doktorarbeit an
MehrKI Seminar Vortrag Nr. 9 Unsicheres Wissen. Einleitung. Grundlagen. Wissen Ansätze. Sicherheitsfaktoren. Ansatz Probleme. Schlussfolgerungsnetze
Einleitung KI Seminar 2005 Vortrag Nr. 9 Unsicheres 1 Motivation Vögel können fliegen! 2 : Zuordnung von Wahrheitswerten, Wahrscheinlichkeitsgraden,. zu Aussagen, Ereignissen, Zuständen, 3 3 Eigenschaften
MehrMehrdimensionale Arrays
Informatik Studiengang Chemische Technologie Michael Roth michael.roth@h-da.de Hochschule Darmstadt -Fachbereich Informatik- WS 2012/2013 Inhalt Teil X Michael Roth (h_da) Informatik (CT) WS 2012/2013
MehrHauptseminar Information Retrieval. Karin Haenelt Vorschläge für Seminarprojekte
Hauptseminar Information Retrieval Vorschläge für Seminarprojekte Karin Haenelt 17.10.2010 Projektarten Implementierungsprojekte: Standardalgorithmen Modellierungsexperimente Vorhandene Werkzeuge studieren,
MehrZwei-Spieler-Spiele. Einführung in die Methoden der Künstlichen Intelligenz. Suche bei Spielen. Schach. Schach (2)
Einführung in die Methoden der Künstlichen Intelligenz Suche bei Spielen Prof. Dr. Manfred Schmidt-Schauß Ziel dieses Abschnitts Intelligenter Agent für Zweipersonenspiele Beispiele: Schach, Dame, Mühle,...
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Überwachtes Lernen: Entscheidungsbäume Literatur Stuart Russell und Peter Norvig: Artificial i Intelligence. Andrew W. Moore: http://www.autonlab.org/tutorials. 2 Überblick
Mehr11. Übung zu Algorithmen I 6. Juli 2016
11. Übung zu Algorithmen I 6. Juli 2016 Lisa Kohl lisa.kohl@kit.edu mit Folien von Lukas Barth Roadmap Ausblick: Was sind schwierige Probleme? Travelling Salesman Problem - Reprise ein ILP ein Algorithmus
MehrCharts. Motivation. Grundfrage. Chart als Graph
Charts Motivation Übersicht Chart bzw. Well-Formed Substring Table (WFST) Als azyklischer Graph, Tabelle und Relation Kantenbeschriftungen Kategorien: WFST Regeln: Passive Charts Regelhyposen: Aktive Charts
MehrEinführung in Expertensysteme
Frank Puppe Einführung in Expertensysteme Zweite Auflage Mit 86 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo HongKong Barcelona Budapest Inhaltsverzeichnis Teil I. Einführung
MehrAlgorithmen für schwierige Probleme
Algorithmen für schwierige Probleme Dr. Britta Dorn Prof. Dr. Jacobo Torán Wintersemester 2011/12 19. Oktober 2011 Infos Vorlesung Mittwoch und Donnerstag 14 16 Übungsblätter Prüfung Feuerwehrproblem Feuerwehrproblem
MehrInstitut für Programmierung und Reaktive Systeme 28. Mai Programmieren II. 12. Übungsblatt
Technische Universität Braunschweig Dr. Werner Struckmann Institut für Programmierung und Reaktive Systeme 28. Mai 208 Programmieren II 2. Übungsblatt Hinweis: Auf diesem und den folgenden Übungsblättern
MehrGeneral Video Game AI Competition 2017
General Video Game AI Competition 2017 Teilnahme an einem Wettbewerb der künstlichen Intelligenz für Computerspiele Tobias Joppen, Christan Wirth, Prof. J. Fürnkranz 21.04.2017 Fachbereich Informatik Knowledge
MehrAlgebraische Statistik ein junges Forschungsgebiet. Dipl.-Math. Marcus Weber
Algebraische Statistik ein junges Forschungsgebiet Dipl.-Math. Marcus Weber Disputationsvortrag 15. Februar 2006 Gliederung 1. Statistische Modelle 2. Algebraische Interpretation statistischer Probleme
Mehr