Künstliche Intelligenz

Vorwort

Inhalt

1 Künstliche Intelligenz

1.1 Was ist, was kann künstliche Intelligenz?

1.2 Struktur des Buches

1.3 Intelligente Agenten

1.3.1 Agenten und künstliche Intelligenz

1.3.2 Anwendungen

1.4 Künstliche Intelligenz und Wissensmanagement

Übungen

2 Darstellung und Verarbeitung von Wissen

2.1 Darstellung von Wissen mit Hilfe von Logik

2.1.1 Aussagenlogik

2.1.2 Prädikatenlogik

2.1.3 Logik und PROLOG

Übungen

2.2 Regelbasierte Wissensdarstellung

2.2.1 Vorwärtsverkettung

2.2.2 Rückwärtsverkettung

2.2.3 Regelverarbeitung und Prolog

2.2.4 Business Rules

Übungen

2.3 Semantische Netze und Frames

2.3.1 Semantische Netze

2.3.2 Frames

2.3.3 Wissensnetze

Übungen

2.4 Vages Wissen

2.4.1 Unsicheres Wissen

2.4.2 Fuzzy-Mengen

2.4.3 Fuzzy-Logik

2.4.4 Fuzzy-Regler

Übungen

3 Problemlösung mittels Suche

3.1 Uninformierte Suche

3.2 Heuristische Suche

3.2.1 Heuristik des nächsten Nachbarn

3.2.2 Bergsteiger-Strategie

3.2.3 Bestensuche

3.2.4 A*-Suche

3.3 Das Rundreiseproblem

3.4 Zusammenfassung

4 PROLOG

4.1 Logisches Programmieren

4.1.1 Erste Schritte

4.1.2 Ein Beispiel

4.1.3 Regeln

Übungen

4.2 PROLOG-Programme

4.2.1 Lösungsfindung mittels Backtracking

4.2.2 Parameterübergabe mittels Unifikation

4.2.3 Interpretation von Programmen

Übungen

4.3 Datentypen und Arithmetik

4.3.1 Einfache und zusammengesetzte Datentypen

4.3.2 Listen

4.3.3 Arithmetik

Übungen

4.4 Steuerung der Abarbeitung

4.4.1 Reihenfolge der Klauseln

4.4.2 Reihenfolge der Literale im Körper einer Regel

4.4.3 Kontrolle des Backtracking

4.4.4 Die Negation

Übungen

4.5 Vordefinierte Prädikate

Übungen

4.6 Beispielprogramme

4.6.1 Das Einfärben einer Landkarte

4.6.2 Die Türme von Hanoi

4.6.3 Das Acht-Damen-Problem

4.6.4 Das Problem der stabilen Paare

Übungen

5 Künstliche neuronale Netze

5.1 Das künstliche Neuron

5.2 Architekturen

5.3 Arbeitsweise

Übungen

6 Vorwärtsgerichtete neuronale Netze

6.1 Das Perzeptron

6.1.1 Die Delta-Regel

6.1.2 Musterzuordnungen

Übungen

6.2 Backpropagation-Netze

6.2.1 Das Backpropagation-Verfahren

6.2.2 Das XOR-Backpropagation-Netz

6.2.3 Modifikationen des Backpropagation-Algorithmus

Übungen

6.3 Typische Anwendungen

6.3.1 Zeichenerkennung

6.3.2 Das Encoder-Decoder-Netz

6.3.3 Ein Prognose-Netz

Übungen

6.4 Datenvorverarbeitung

6.4.1 Verarbeitungsschritte

6.4.2 Daten des Kreditvergabe-Beispiels

Übungen

6.5 Netzgröße und Optimierungen

6.5.1 Die Größe der inneren Schicht

6.5.2 Das Entfernen von Verbindungen

6.5.3 Genetische Algorithmen

Übungen

6.6 Partiell rückgekoppelte Netze

6.6.1 Jordan-Netze

6.6.2 Elman-Netz

Übungen

7 Wettbewerbslernen

7.1 Selbstorganisierende Karte

7.1.1 Architektur und Arbeitsweise

7.1.2 Das Training

7.1.3 Visualisierung einer Karte und deren Verhalten

7.1.4 Eine Lösung des Rundreiseproblems

Übungen

7.2 Neuronales Gas

7.2.1 Architektur und Arbeitsweise

7.2.2 Wachsendes neuronales Gas

Übungen

7.3 Adaptive Resonanz-Theorie

7.3.1 Das Plastizitäts-Stabilitäts-Dilemma

7.3.2 Struktur eines ART-Netzes

7.3.3 Das Beispiel Würfelmuster

7.3.4 Arbeitsweise

Übungen

8 Autoassoziative Netze

8.1 Hopfield-Netze

8.1.1 Arbeitsweise

8.1.2 Wiedererkennung von Mustern

8.1.3 Energie-Niveau eines Netzes

8.2 Lösung von Optimierungsproblemen

8.3 Die Boltzmann-Maschine

9 Entwicklung neuronaler Netze

9.1 Der Stuttgarter Neuronale Netze Simulator

9.1.1 Ein erstes Beispiel

9.1.2 Aufbau von Netzen – der Netzeditor

9.1.3 Das Training von Netzen

9.1.4 Die Visualisierung von Ergebnissen

Übungen

9.2 JavaNNS

9.3 Implementation neuronaler Netze

9.3.1 Einsatz von Array-Datenstrukturen

9.3.2 Der objektorientierte Ansatz

9.3.3 Ein einfaches Perzeptron

Übungen

Literatur

Index