Skip to content

Freie Universität Bozen

Intelligent Agents

Semester 1 · 76252 · Bachelor in Informatik · 12KP · EN · DE


- Propositionale Sprachen und Sprachen erster Ordnung
- Individuen und Beziehungen
- Wissensrepräsentation und Logik
- Wissensbasierte Systeme: Beschreibungslogiken und Ontologien
- Nicht-klassische Logik und formales Reasoning
- Common-Sense-Wissen
- KI-Paradigmen: symbolische Ansätze vs. lernbasierte Ansätze
- Überblick über die wichtigsten KI-Techniken: exakte und approximative Methoden, Umgang mit unvollkommener Information, Verwendung und Modellierung von Domänenwissen
- Werkzeuge und Programmiertechniken für die Entwicklung von KI-Systemen
- Symbolische Ansätze: Planung und Suche, Lösung von Beschränkungen, Beschreibungslogik und Ontologien, Multi-Agenten-Modelle
- Lernbasierte Ansätze: überwachtes vs. unüberwachtes und verstärkendes Lernen, neuronale Netze
- Praktische Programmierprojekte zu den oben genannten Themen

Lehrende: Oliver Kutz, Sarah Maria Winkler

Vorlesungsstunden: 70
Laboratoriumsstunden: 50
Anwesenheitpflicht: Die Teilnahme ist nicht verpflichtend, wird aber dringend empfohlen, da viele Labore eine angemessene Soft- und Hardware-Infrastruktur erfordern; Studierende, die nicht teilnehmen, sollten sich zu Beginn des Kurses mit dem Dozenten in Verbindung setzen, um Unterstützung zu erhalten und die Modalitäten des Selbststudiums zu vereinbaren.

Themen der Lehrveranstaltung
Wissensrepräsentation führt die Studierenden in die grundlegenden Themen, Methoden und Theorien der symbolischen künstlichen Intelligenz ein, wobei der Schwerpunkt darauf liegt, wie Wissen formal ausgedrückt und begründet werden kann. Der Kurs beginnt mit einer gründlichen Erkundung der klassischen Logik erster Ordnung, die ihre Syntax, Semantik, Modelltheorie und Beweistheorie als Grundlage für die Wissensformulierung umfasst. Danach geht es weiter zu Beschreibungslogiken (DL), die als formale Grundlage für die Definition von Ontologien und Wissensbasen dienen. Das Modul schließt mit einer Analyse der wichtigsten Argumentationsszenarien, die Wissen und Ontologien einbeziehen, wie z.B. Planung, nicht-monotonische Argumentation und Inferenz mit gesundem Menschenverstand, sowie einer Einführung in ausgewählte nicht-klassische Argumentationsansätze. Das Projekt Intelligente Agenten konzentriert sich auf die praktische Anwendung von KI-Techniken zur Unterstützung der menschlichen Entscheidungsfindung und zum Entwurf autonomer Systeme. Die Studenten werden sich aktiv an der Entwicklung von Softwarelösungen beteiligen, die die im Kurs vorgestellten KI-Methoden zur Lösung spezifischer Probleme anwenden. Durch diese praktische Erfahrung soll das Verständnis für verschiedene KI-Ansätze vertieft und die Komplexität, die in realen Anwendungen entsteht, aufgezeigt werden. Ziel des Moduls ist es, die Studierenden mit einem vielseitigen Satz von Rechenwerkzeugen und Methoden auszustatten, die es ihnen ermöglichen, eine Reihe praktischer Probleme anzugehen und theoretische Konzepte in effektive, funktionierende Lösungen umzusetzen.

Unterrichtsform
Frontalunterricht, Übungen im Labor, Unterstützung bei Projekten.

Bildungsziele
Wissen und Verstehen - D1.13 Kenntnis der Prinzipien der künstlichen Intelligenz sowie der Möglichkeiten und Grenzen intelligenter Systeme in verschiedenen Anwendungsbereichen. Anwendung von Wissen und Verständnis - D2.2 In der Lage sein, kleine und mittelgroße Programme unter Verwendung verschiedener Programmiersprachen und Paradigmen zu entwickeln. - D2.15 In der Lage sein, Programmiertechniken der künstlichen Intelligenz anzuwenden, um Probleme der Informatik zu lösen. Fähigkeit zur Urteilsbildung - D3.1 In der Lage sein, nützliche Daten zu sammeln und zu interpretieren sowie Informationssysteme und deren Anwendbarkeit zu beurteilen. - D3.2 In der Lage sein, entsprechend dem eigenen Wissensstand und Verständnis selbständig zu arbeiten. - D3.3 In der Lage sein, die Verantwortung für die Entwicklung von Projekten oder IT-Beratung zu übernehmen. Kommunikative Fähigkeiten - D4.1 In der Lage sein, eine der drei Sprachen Englisch, Italienisch und Deutsch zu verwenden und Fachausdrücke und Kommunikation angemessen zu nutzen. - D4.4 In der Lage sein, technische Unterlagen zu strukturieren und zu verfassen. - D4.5 In der Lage sein, bei der Realisierung von IT-Systemen im Team zu arbeiten. Lernfähigkeiten - D5.1 Lernfähigkeiten entwickelt haben, um sich mit einem hohen Maß an Selbstständigkeit weiterzubilden. - D5.3 In der Lage sein, der raschen technologischen Entwicklung zu folgen und modernste IT-Technologien und innovative Aspekte von Informationssystemen der letzten Generation zu erlernen.

Art der Prüfung
Darstellung von Wissen: Laborübungen (30%) und schriftliche Abschlussprüfung (70%). Projekt Intelligente Agenten: Praktikumsaufgaben (60%) und mündliche Präsentation (40%)

Bewertungskriterien
Die Abschlussprüfung wird auf der Grundlage der Richtigkeit und Klarheit der Antworten, der Fähigkeit, Inhalte zusammenzufassen und zu bewerten, Beziehungen zwischen Themen herzustellen, kritisches Denken zu zeigen, fundierte Argumente zu konstruieren und Probleme zu lösen, bewertet. Um die Prüfung zu bestehen, müssen die Studierenden in jedem Modul mindestens 18 von 30 möglichen Punkten erreichen. Jedes Modul trägt zu 50 Prozent zur Gesamtnote bei. Bei der Wissensdarstellung basiert die Bewertung auf zwei Komponenten: Laborübungen (30 %) und eine schriftliche Prüfung (70 %). Die Prüfung bewertet die Klarheit der Antworten, die Beherrschung der im Kurs eingeführten Terminologie und Definitionen sowie die Fähigkeit, grundlegende Aufgaben zu lösen oder theoretische Konzepte effektiv zusammenzufassen und zu veranschaulichen. Für das Intelligent Agents Project ist die Bewertung in zwei Komponenten unterteilt: Laboraufgaben (60 Prozent) und eine mündliche Präsentation (40 Prozent). Die Laborarbeiten sind gruppenbasiert und werden nach der Originalität und technischen Qualität der Ergebnisse, der Qualität der Dokumentation und der Präsentation sowie der Fähigkeit der Gruppe zur effektiven Zusammenarbeit bewertet. Jede Aufgabe wird einzeln bewertet, und die Endnote ergibt sich aus dem Durchschnitt aller eingereichten Aufgaben. Wird ein Abgabetermin versäumt, wird die betreffende Aufgabe mit Null bewertet. Um zur mündlichen Präsentation zugelassen zu werden, müssen die Studierenden mindestens 50 Prozent der maximal möglichen Punktzahl für die Laboraufgaben erreichen. Bei der mündlichen Präsentation handelt es sich um eine Einzelbewertung, bei der die Fähigkeit der Studierenden beurteilt wird, ihr Verständnis eines ausgewählten Kursthemas eigenständig zu vertiefen, relevante Informationen zusammenzufassen und zu verknüpfen sowie ihre Ergebnisse klar zu kommunizieren. Das Thema der Präsentation muss mit dem Dozenten abgesprochen werden und mit dem Lehrplan des Kurses übereinstimmen.

Pflichtliteratur

-  David L. Poole und Alan K. Mackworth. Artificial Intelligence. Cambridge University Press, Cambridge, 3. überarbeitete Auflage, Juli 2023. ISBN 978-1-009-25819-7.

Stuart Russell und Peter Norvig. Artificial Intelligence: A Modern Approach. Pearson, Hoboken, 4. Auflage, April 2020. ISBN 978-0-13-461099-3.



Weiterführende Literatur

Franz Baader, Ian Horrocks, Carsten Lutz, und Uli Sattler. An Introduction to Description Logic. Cambridge University Press, Cambridge, Mai 2017. ISBN 978-0-521-87361-1.

George Luger. Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Pearson, Boston, 6. Auflage, Februar 2008. ISBN 978-0-321-54589-3.



Weitere Informationen
Verwendete Software: - Protégé (https://protege.stanford.edu) - ILTIS (https://iltis.rub.de) - DL-Schlüssler - Theorembeweiser - Python (https://www.python.org) - Domänenspezifische Sprachen - Linux-basierte virtuelle Maschinen


Als PDF herunterladen

Ziele für nachhaltige Entwicklung
Diese Lehrtätigkeit trägt zur Erreichung der folgenden Ziele für nachhaltige Entwicklung bei.

4 9

Modules

Semester 1 · 76252A · Bachelor in Informatik · 6KP · DE

Module A — Knowledge Representation

- Aussagesprachen und Sprachen erster Ordnung
- Individuen und Beziehungen
- Wissensrepräsentation und Logik
- Wissensbasierte Systeme: Beschreibungslogiken und Ontologien
- Nicht-klassische Logik und formales Reasoning
- Common-Sense-Wissen

Lehrende: Oliver Kutz

Vorlesungsstunden: 40
Laboratoriumsstunden: 20

Themen der Lehrveranstaltung
Wissensrepräsentation führt die Studierenden in die grundlegenden Themen, Methoden und Theorien der symbolischen künstlichen Intelligenz ein, wobei der Schwerpunkt darauf liegt, wie Wissen formal ausgedrückt und zur Inferenz eingesetzt werden kann. Der Kurs beginnt mit einer gründlichen Erkundung der klassischen propositionalen Logik und Logik erster Stufe, die ihre Syntax, Semantik, Modelltheorie und Beweistheorie als Grundlage für die Wissensformulierung umfasst. Danach geht es weiter zu Beschreibungslogiken (DL), die als formale Grundlage für die Definition von Ontologien und Wissensbasen dienen. Das Modul schließt mit einer Analyse der wichtigsten logischen Inferenzmethoden, die Wissen und Ontologien einbeziehen, wie z.B. nicht-monotones Schließen und Common Sense Inferenz, sowie einer kurzen Einführung in die nicht-klassische Logik.

Unterrichtsform
Frontalunterricht, Übungen, Unterstützung bei Projekten.

Pflichtliteratur

-  David L. Poole und Alan K. Mackworth. Artificial Intelligence. Cambridge University Press, Cambridge, 3. überarbeitete Auflage, Juli 2023. ISBN 978-1-009-25819-7.

Stuart Russell und Peter Norvig. Artificial Intelligence: A Modern Approach. Pearson, Hoboken, 4. Auflage, April 2020. ISBN 978-0-13-461099-3.



Weiterführende Literatur

-  Franz Baader, Ian Horrocks, Carsten Lutz, und Uli Sattler. An Introduction to Description Logic. Cambridge University Press, Cambridge, Mai 2017. ISBN 978-0-521-87361-1.

-  George Luger. Artificial Intelligence: Structures and Strategies for Complex Problem Solving. Pearson, Boston, 6. Auflage, Februar 2008. ISBN 978-0-321-54589-3.



Semester 1 · 76252B · Bachelor in Informatik · 6KP · EN

Module B — Intelligent Agents Project

– AI paradigms: symbolic approaches vs. learning-based approaches
– Overview of main AI techniques: exact and approximate methods, handling imperfect information, use and model of domain knowledge
– Tools and programming techniques for the development of AI systems
– Symbolic approaches: planning and search, constraint solving, description logic and ontologies, multi-agent models
– Learning-based approaches: supervised vs. unsupervised and reinforcement learning, neural networks
– Hands-on programming projects covering the above topics

Lehrende: Sarah Maria Winkler

Vorlesungsstunden: 30
Laboratoriumsstunden: 30

Infoanfrage