Kursüberblick - Einführung in die Künstliche Intelligenz
Alles zum Kurs EKI (Hochschule Darmstadt) an einem Ort: die neun Themenblöcke, Übungen, Probeklausuren, Karteikarten und kompakte Kurzfassungen. Diese Startseite ist dein Wegweiser durch die Lernplattform.
Worum es geht
Der Kurs "Einführung in die Künstliche Intelligenz" behandelt die wichtigsten Teilgebiete moderner KI aus einer anwendungsnahen (engineering) Perspektive: von maschinellem Lernen über Wissensrepräsentation und Computer Vision bis zu Sprachverarbeitung, unüberwachtem Lernen und den ethischen Aspekten der KI. Der rote Faden ist die KI-Landkarte (nach B. Humm): KI teilt sich in nicht-symbolische KI (maschinelles Lernen) und symbolische / wissensbasierte KI, verteilt auf die Fähigkeiten Wahrnehmen, Kommunizieren, Schlussfolgern, Handeln, Lernen und Wissen.
Wie du diese Plattform nutzt
| Bereich | Wofür |
|---|---|
| Kapitel | Ausführliche Notizen zu jedem Themenblock (EKI00 bis EKI09), mit Formeln, Algorithmen, Diagrammen und Beispielen. |
| Kurzfassung | Cliff Notes, Formel- und Algorithmensammlung, Definitionen, Spickzettel A4 und Last-Minute. |
| Übungen | Aufgaben pro Kapitel in vier Stufen (Beginner, Fortgeschritten, Anspruchsvoll, Klausur-Niveau), jeweils mit vollständiger Lösung. |
| Probeklausuren | Vollständige Übungsklausuren und ein Mock-Final im Format der echten Klausur (90 Minuten). |
| Nachschlagen | Glossar und Index, Typische Fehler, Klausurtipps. |
| Karteikarten | Wiederholung nach dem Leitner-System, filterbar nach Kapitel. |
| Fortschritt | Abgeschlossene Seiten, Lesezeichen und persönliche Notizen. |
Tipp: Mit Strg + K durchsuchst du alle Seiten.
Die neun Themenblöcke
| Kapitel | Inhalt in einem Satz |
|---|---|
| EKI00 - Einführung | Was KI ist, ihre Geschichte, die KI-Landkarte und die im Kurs behandelten Bereiche. |
| EKI02 - Klassifikation | Überwachtes Lernen, Entscheidungsbäume, Entropie und Information Gain, scikit-learn (Titanic). |
| EKI03 - Regression | Modellvalidierung: Konfusionsmatrix, Klassifikations- und Regressionsmaße, k-fache Kreuzvalidierung. |
| EKI04 - Wissensrepräsentation | Wissensgraphen, RDF-Tripel, SPARQL-Abfragen und Werkzeuge (Apache Jena/Fuseki, rdflib). |
| EKI05 - Complex Event Processing | Ereignisströme, Ereignistypen, Sliding Windows und iteratives CEP (COVID-Inzidenz). |
| EKI06 - Computer Vision | Künstliche neuronale Netze, Backpropagation, CNN (Faltung, Pooling) und Keras/MNIST. |
| EKI07 - Natural Language Processing | Bag of Words, tf-idf, n-Gramme, scikit-learn-Pipeline und spaCy. |
| EKI08 - Ethische Aspekte der KI | Hype gegen Realität, Bias im ML, Automatisierung von Arbeit und autonome Systeme. |
| EKI09 - Unsupervised Learning | Clustering (k-Means), Dimensionsreduktion (PCA), Autoencoder und Ausreißererkennung. |
Hinweis: Die Nummerierung folgt den Foliensätzen des Kurses (EKI00, EKI02 bis EKI09). Ein Foliensatz "EKI01" ist im Kursmaterial nicht enthalten; diese Lernplattform bildet genau die vorhandenen neun Blöcke ab.
Empfohlener Lernpfad
- Lies das Kapitel und arbeite den
## Mini-Testam Ende durch (das sind die Originalfragen aus den Folien). - Löse die zugehörigen Übungen, zuerst Beginner, dann aufsteigend.
- Wiederhole mit den Karteikarten und der Cliff-Notes-Kurzfassung.
- Vor der Klausur: Spickzettel A4, Typische Fehler und eine Probeklausur unter Zeitdruck.
Klausur-Eckdaten
- Dauer: 90 Minuten, schriftlich.
- Hilfsmittel: ein beidseitig handbeschriebenes DIN-A4-Blatt (kein Ausdruck). Keine elektronischen Geräte (Notebook, Smartphone, Taschenrechner).
- Voraussetzung: das EKI-Praktikumstestat.
- Die praktischen Anteile (scikit-learn, Python) sind laut Kurs genauso klausurrelevant wie die Vorlesungsinhalte.
Literatur
- Bernhard G. Humm: "Applied Artificial Intelligence - An Engineering Approach", 2nd Edition, LeanPub, 2020.
- Stuart Russell, Peter Norvig: "Artificial Intelligence: A Modern Approach", 3rd Edition, Prentice Hall.