Artificial Intelligence (AI)

Machen wir Sie zum Experten für künstliche Intelligenz (KI) und maschinelles Lernen (ML).

Was ist künstliche Intelligenz (KI)?

Künstliche Intelligenz (KI) bezieht sich auf die Simulation menschlicher Intelligenz in Maschinen, die so programmiert sind, dass sie wie Menschen denken und ihre Handlungen nachahmen. Der Begriff kann auch auf jede Maschine angewendet werden, die Merkmale aufweist, die mit einem menschlichen Geist verbunden sind, wie z. B. Lernen und Problemlösen.

Künstliche Intelligenz (KI) ist ein Bereich der Informatik, in dem die Schaffung intelligenter Maschinen im Vordergrund steht, die wie Menschen funktionieren und reagieren. Die Prozesse umfassen Lernen, Denken und Selbstkorrektur. KI wird erreicht, indem untersucht wird, wie das menschliche Gehirn denkt und wie Menschen lernen, entscheiden und arbeiten, während sie versuchen, ein Problem zu lösen.

Erfahren Sie, wie Sie intelligente Anwendungen erstellen, die sich auf Bilder, Text und Zeitreihendaten konzentrieren. Es wird in vielen Bereichen wie Suchmaschinen, Bilderkennung, Robotik, Finanzen usw. in großem Umfang eingesetzt. Sie lernen verschiedene Algorithmen kennen, mit denen Sie Apps für künstliche Intelligenz erstellen können.

Was ist für dich?

- Einführung in die künstliche Intelligenz und intelligente Agenten, Geschichte der künstlichen Intelligenz

- Aufbau intelligenter Agenten (Suche, Spiele, Logik, Probleme mit der Zufriedenheit mit Einschränkungen)

- Algorithmen für maschinelles Lernen

- Anwendungen der KI (Verarbeitung natürlicher Sprache, Robotik / Vision, Sprachverständnis)

App-Inhalt

1) Einführung in die KI

- Turing-Test

- Geschichte der künstlichen Intelligenz

- Typisches Problem der künstlichen Intelligenz

- Der Zyklus der künstlichen Intelligenz

2) Problemlösungsansatz AI

- Zustandsraum

- Graphensuche

- Eine Suche

- Eine generische Suche

- Genetischen Algorithmus

- Breitensuche

- Tiefensuche

- Heuristische Suche

- Spiele

- Zurückverfolgen

- Minimax-Algorithmus

- Nicht informierte Suche

- N-Queen Probe

- Optimale Entscheidung

- Zulässigkeitsnachweis

- Suchbaum

- Alpha Beta-Schnitt

- Schau voraus

- Iterative Vertiefung

- Gierige Suche

- Suchdiagramm

- Informierte Suche

- Bidirektionale Suche

- Konsistenzorientiert

- Widersprüchliche Suche

- Pfadkonsistenz

- Methode der Information

- Anderer Speicher begrenzt

- Eigenschaften der Tiefe

3) Wissen und Argumentation

- Aussagelogik

- Folgerungsregel

- Verstecktes Markov-Modell

- Bayesianische Netzwerke

- Vorwärtsverkettung

- Logik erster Ordnung

- UND / ODER Bäume

- Semantik

- Wissensstand

- Regelbasierte Systeme

- Pure Pro-Log

- Vereinigung

- Herbrand Universum

- Solidität

- Nicht monoton

4) Logisch handeln und lernen

- Verstärktes Lernen

- Semantik des Bayesianischen

- Überwachtes Lernen

- Lernproblem

- Semantische Netzwerke

- Neurales Netzwerk

- Native Bayes Modell

- Künstliches Neuronales

- Probabilistisch

- Rahmen

- Beschneiden des Entscheidungsbaums

- Perceptron

- Statistisches Lernen

- Kandidateneliminierung

- Rückausbreitung

- Unbeaufsichtigt

- Taxonomie des Lernens

- Semantik erweitern

- Mehrschichtig

- Aufteilungsfunktionen

- Interleaving vs. Non-Interleaving des Teilplans

- Planung als Suche

- Die allgemeine Form des EM-Algorithmus

5) Kommunizieren, Wahrnehmen und Handeln

- Regressionsalgorithmus

- Natürliche Sprache

- Clustering-Algorithmus

- Statistischer Algorithmus

- Mustererkennung

- Nutzung & Anwendung

- Mehrdeutigkeit

- Sprachschritte

Diese fünf Einheiten enthalten 142 Themen. Wenn Sie alles lesen, sind Sie gut genug, um ein System mit Sprachen wie R, Python, SAS, Matlab, Weka, SPSS usw. zu entwerfen.