Für die Klausur werden alle Hilfsmittel erlaubt; überschätzt den Nutzen nicht !

Aus dieser Stoffübersicht sind im Streitfalle keinerlei Rechtsansprüche herleitbar. Klausurrelevant sind prinzipiell alle Vorlesungsinhalte. Eine Erläuterung dieser Übersicht kommt in der letzten Sitzung in Mosbach.

Kapitel 1: Einführung in die KI

• Wissen: einige Definitionsversuche und Charakterisierungen
• Wissen: Anwendungsgebiete (grobe Zielsetzung, Probleme, Ansätze) und Techniken (grobe Beschreibung)
• Können: Abschätzung der Sinnhaftigkeit von KI-Methoden für bestimmte Probleme

• Wissen: Zielsetzung, Grundcharakteristika, Verwendungsgebiete, Funktionsspektrum, Systemkomponenten und ihr Zweck, Methodenüberblick
• Können: Abschätzung der Notwendigkeit und der Machbarkeit von XPS-Methoden in bestimmten Problemsituationen

• Wissen: Darstellung von Problemen als Suche
• Wissen: Grundidee, Zusammenhang und Grobcharakterisierung der behandelten Suchverfahren: Breitensuche, Tiefensuche, schrittweises Vertiefen (Idee), Bestensuche, A* (Idee)
• Wissen: Begrifflichkeiten, Idee von Heuristiken, Vollständigkeit von Suchverfahren, zulässige Heuristiken, Güte von Heuristiken, Eigenschaften von A*
• Können: Problemformulierung als Suchproblem, Durchführung einfacher Suchverfahren, Durchspielen kompexer Verfahren nach Vorgabe
• Zentrale Beispiele: Weinkrüge, Schiebepuzzle

• Wissen: Grundidee der Wissensdarstellung und Wissensnutzung mit Constraints, Darstellung als Constraintgraph, Nutzung für die Suche, mögliche Einsatzgebiete, Idee der Constraintpropagierung, Klassifizierung von Optimierungsmöglichkeiten, Ansatzpunkte und Grundidee für Optimierungen (Kantenkonsistenz (Constraint-Propoagierung), Heuristiken für Variablenauswahl und Werteauswahl: most constrained variable heuristics / least constrained variable heuristics)
• Können: Probleme als Constraintgraph darstellen oder gegebene Constraints formalisieren
• Können: Constraintpropagierung durchführen
• Können: Constraintprobleme nach Vorgabe als Suchproblem lösen; Suchbaum aufstellen und interpretieren
• Zentrale Beispiele: Kreuzworträtsel-Propagierung

• Wissen: Grundidee und beispielhafter Einsatz von Vorwärtsregeln, konkretes Beispiel des OPS5-Interpreters, Datenelemente und Regeln, Matching, Aktionen, Recognize-Select-Act Cycle, Konfliktlösung in OPS5, Integration mit Framesystemen und Nutzung in XPS
• Können: einfache OPS5-Programme verstehen und ihre Funktion beschreiben, Modifikation gegebener OPS5-Programme, Programmlauf durchspielen mit gegebener Konfliktlösestrategie
• Zentrale Beispiele: Blocks-world, MYCIN

• Wissen: Syntax und Semantik der Aussagenlogik, Modelle, Erfüllbarkeit, Allgemeingültigkeit, Tautologien, semantische Äquivalenz, Umformungsregeln, Literale und Normalformen
• Können: Beschreibung gegebener Sachverhalte in Aussagenlogik
• Können: Semantik komplexer Aussagen durch Wertetabellen bestimmen, Umformungsregeln anwenden, Allgemeingültigkeit durch Wertetabelle oder Umformungen beweisen
• Wissen: semantische Folgerung, Satz 4.1. von Socher mit seinen Implikationen, Klauseln und Klauselform und ihr Zweck, Resolvente und Bedeutung, Resolution als Verfahren und ihr Zweck, Vollständigkeit und Korrektheit der Resolution
• Können: Beweis der Folgerung durch Wertetabelle, Darstellung aussagenlogischer Formeln als Klauselmenge, eine / alle Resolventen finden, einen aussagenlogischen Resolutionsbeweis durchführen
• Zentrales Beispiel: Abtrageverfahren
• Wissen: Steuerungsproblem bei Resolutionsbeweisen, Übergang von der Aussagenlogik zur Prädikatenlogik erster Ordnung, Unifikation als zusätzlicher Schritt bei der Resolution, Hornlogische Resolution als effizientere Variante
• Wissen: Prolog als Programmierung mit Hornklauseln, Grundvorgehen eines rückwärtsverkettenden Regelinterpreters, Implementierung der Resolution in Prolog, Prolog-Charakteristika für die KI-Programmierung
• Können: Beweisbaum für Hornlogik-Wissensbasis bauen
• Zentrales Beispiel: Vorfahren, Peter, Paul & Mary

• Wissen: Motivation und Darstellungsgrundvorrat von Frames und Semantischen Netzen, Nutzung in komplexen Systemen und Anfragemöglichkeiten, Idee und Ansatz von Ontologien und ihr Einsatz im Semantic Web und Wissensmanagement
• Können: Sachverhalte in Frames / mit semantischen Netzen beschreiben können, semantische Primitive sinnvoll einsetzen, Sachverhalte differenziert zerlegen, Einsatzmöglichkeiten von if-added / if-needed / if-removed Dämonen  erkennen, Fragebeantwortung in Frame-/Netz-Darstellungen simulieren
• Zentrale Beispiele: Mary's grüne Blümchenvase, BA-Frames

• Wissen: Quellen und Klassen von Unsicherheit und Vagheit, Einsatzbeispiele in XPS
• Wissen: Theorem von Bayes als statistisches Modell, Nutzungsmöglichkeit, Intuition, Grenzen und Probleme, Voraussetzungen (Vollständigkeit und Disjunktheit der Diagnosenmenge)
• Können: natürlichsprachlich oder tabellarisch beschriebene Sachverhalte für den Einsatz des Satzes von Bayes formalisieren und die Formel von Bayes sinnvoll anwenden, Interpretation des Ergebnisses, Anwendbarkeit prüfen
• Zentrale Beispiele: Kampfpanzer und Enten
• Wissen: Sicherheitsfaktoren als pragmatischer Ansatz, Grundidee und Motivation, Darstellung, Verwendung in Regelsystemen, Verrechnungsschema, Interpretation
• Wissen: Fuzzy-Ansätze für die Darstellung vager Begriffe / Sachverhalte, Fuzzy-Zugehörigkeitsfunktion, Verrechnungsschema, Idee der Fuzzy-Steuerung
• Können: Einsatzmöglichkeiten für Fuzzy-Technik erkennen

• Wissen: Grundbegriffe der Diagnose und ihr Zusammenhang, Beschreibungsrahmen für die wesentlichen Begriffe, Interpretationszyklus und Architekturmodell der modellorientierten Diagnose, Zusammenhang zwischen Formelauswertung und Suchsteuerung
• Können: geeignete Implementierungsansätze oder Optimierungen erkennen, Erweiterungen mit vorgestellten oder neuen Techniken durchdenken können

• Wissen:  in der Vorlesung unerwähnte Felder bei XPS: Erklärungskomponenten, Wissensakquisition, XPS-Softwaretechnik, XPS-Methodologien, Anwendungsrelevanz der Problemklassen
• Wissen: Grundansatz im Case-Based Reasoning, Anwendungsmöglichkeiten
• Wissen: weitere KI-Teilgebiete: Idee der Intelligenten Agenten, des Data Mining, des Semantic Web, des Wissensmanagements