Mock-Final - Künstliche Intelligenz (EKI)

1.1 (3 P, je 0,6 P)

Merkhilfe: Alles, was aus Daten lernt (ANN, SVM, Random Forest, k-Means, Naive Bayes, Regression), ist non-symbolic. Explizit modelliertes Wissen und Logik (Ontologies, Semantic networks, Logic programming) ist symbolic.

1.2 (2 P) a) Wahr - Dartmouth 1956 prägte den Begriff (McCarthy, Minsky u.a.). b) Falsch - der KI-Winter entspricht dem "Trough of Disillusionment" (Tal der Ernüchterung), nicht dem Plateau. c) Wahr. d) Wahr - enttäuschte Erwartungen, Förderkürzungen, Marktkollaps.

1.3 (3 P)

Definition (1 P): "Künstliche Intelligenz sind Maschinen oder Software-Anwendungen, die das Verhalten menschlicher Intelligenz zeigen."

Die vier Fähigkeiten (2 P, je 0,5 P): Wahrnehmen (perceiving), Lernen/Wissen/Nachdenken (learning, knowing, reasoning), Kommunizieren (communicating), Handeln (acting).

Tipp: Diese vier Fähigkeiten kehren als sechs Bereiche der KI-Landkarte wieder (Perceiving, Communicating, Reasoning, Acting, Learning, Knowing) - wer die vier kennt, kann die Landkarte rekonstruieren.

2.1 (2 P) Die Klassen stehen in den Blättern (hier z.B. überlebt / gestorben). Die Entscheidungen (Tests, z.B. "männlich?") stehen in den inneren Knoten. Die Werte der Tests (z.B. Ja / Nein) stehen an den Kanten.

2.2 (4 P)

a) Ausgeglichen (50/50), also maximale Entropie:

b) Anteile $c_A = 6/8 = 0{,}75$, $c_B = 2/8 = 0{,}25$:

2.3 (5 P)

a) Split 1 (2 P). $T_{upper}$ ist rein (nur B), also $H(T_{upper}) = 0$:

b) Split 2 (2 P). Beide Hälften sind 2x A / 2x B, also $H = 1{,}0$ pro Hälfte:

c) (1 P) Gewählt wird Split 1 ($0{,}549 > 0$), weil er den größten Entropieverlust liefert. Split 2 trennt die Klassen gar nicht (Gewinn 0).

flowchart TD
    T["T: H = 1.0 (4x A, 4x B)"] --> Q["Split 1 gewaehlt (Gewinn 0.549)"]
    Q -->|"T_lower (5)"| L["4x A, 1x B: H = 0.722 (weiter aufteilen)"]
    Q -->|"T_upper (3)"| R["B (Blatt, H = 0)"]

2.4 (3 P) An jedem Knoten wird das Feature/Wert-Paar (Split "Feature < Wert") gewählt, das den größten Entropieverlust (Information Gain) erzeugt - ein gieriges (greedy) Kriterium. Ein Zweig wird zum Blatt, sobald seine Teilmenge Entropie 0 hat (alle Datensätze derselben Klasse). Teilmengen mit $H > 0$ werden rekursiv nach demselben Verfahren weiter aufgeteilt.

Falle: Der Entropieverlust ist der gewichtete Verlust - die Teilentropien werden mit dem Anteil $|T_{lower}|/|T|$ bzw. $|T_{upper}|/|T|$ multipliziert, nicht einfach subtrahiert.

3.1 (3 P)

(2 P Matrix korrekt gefüllt, 1 P Type I = FP und Type II = FN richtig zugeordnet.)

3.2 (6 P)

3.3 (3 P)

a) (2 P) Die Accuracy ist bei unausgewogenen (imbalanced) Datensätzen irreführend: Ist eine Klasse selten, kann ein Modell hohe Accuracy erreichen, obwohl es die seltene Klasse kaum erkennt. Stattdessen verwendet man den F-Score (harmonisches Mittel aus Precision und Recall).

b) (1 P) Bei der k-fachen Kreuzvalidierung wird der Datensatz in $k$ Teile geteilt; man trainiert $k$-mal mit $k-1$ Teilen und validiert mit dem übrigen Teil, dann mittelt man die $k$ Ergebnisse.

Tipp: Precision beantwortet "Wie viele der als Spam markierten sind wirklich Spam?", Recall "Wie viele der echten Spams wurden erwischt?" - Nenner merken: Precision teilt durch die Vorhersage-Spalte (TP+FP), Recall durch die tatsächliche Zeile (TP+FN).

4.1 (2 P) Ein RDF-Tripel besteht aus Subjekt, Prädikat und Objekt. Subjekt = eine Resource; Prädikat = eine Resource; Objekt = eine Resource oder ein Wert/Literal (string, int, float, date, ...). (1 P Teile benannt, 1 P Resource/Wert korrekt.)

4.2 (4 P)

:Movie_27205 a :Movie ;
    :title "Inception" ;
    :original_language "en" ;
    :genres :Genre_878 .
:Genre_878 a :Genre ;
    :name "Science Fiction" .

Bewertung (je 0,5-1 P): a :Movie (Instanz), :title als String-Literal, :original_language als Literal, :genres :Genre_878 als Resource-Verweis, das Genre als eigene typisierte Resource mit :name, korrekte Trennung ; und Abschluss ..

4.3 (3 P)

PREFIX : <https://www.themoviedb.org/kaggle-export/>
SELECT ?t ?n
WHERE {
  ?m a :Movie ;
     :title ?t ;
     :genres ?g .
  ?g :name ?n .
}

4.4 (2 P)

a) (1 P) Zwei Spalten - eine pro Query-Variable im SELECT (?t und ?n). Allgemein: eine Spalte pro Query-Variable, eine Zeile pro passender Zuweisung.

b) (1 P) Die Variable ?g wird zweimal verwendet: einmal im Film-Muster (:genres ?g) und einmal im Genre-Muster (?g :name ?n). Dieselbe Variable erzwingt jedesmal denselben Wert - das verbindet Film und Genre und entspricht einem Join.

Falle: Ohne DISTINCT erscheint ein Genre-Name so oft, wie es Film-Genre-Paare gibt (Duplikate). Erst SELECT DISTINCT ?n liefert die eindeutigen Genre-Namen.

5.1 (3 P) Ereignis: etwas Besonderes, das passiert ist (z.B. eine Finanztransaktion). Ereignisobjekt: ein Datensatz, der ein Ereignis repräsentiert (z.B. eine Kaufbestätigung). Ereignistyp (event type/class): spezifiziert die Struktur von Ereignisobjekten, also ihre Attribute und Datentypen (z.B. Kaufereignis mit Zeitstempel, Käufer, Produkt, Preis). Verhältnis wie in der OOP: Ereignistyp = Klasse (Schema), Ereignisobjekt = Instanz, Ereignis = umgangssprachlicher Oberbegriff.

5.2 (2 P) a) Wahr. b) Wahr. c) Falsch - das ist der DBMS-Fall; CEP wertet einen fließenden Ereignisstrom aus. d) Wahr.

5.3 (3 P)

a) (2 P) Summe der 7 Tage:

b) (1 P) $140{,}7$ ist $> 100$, aber nicht $> 200$, also $\text{crit}(7\text{inc}) = \mathbf{2}$.

Dies ist ein Beispiel für iteratives CEP: aus dem low-level Ereignis (7-Tage-Inzidenz) wird ein high-level Ereignis (Kritikalitätsstufe als Grundlage für Maßnahmen) abgeleitet.

5.4 (2 P) Ein Sliding Window betrachtet nur den jüngsten Ausschnitt des Stroms. Parameter: n - Dauer (duration) = Breite/Länge des Fensters; m - Häufigkeit (windowing frequency) = Schrittweite, um die das Fenster weiterrückt. Zwei Anwendungen (je 0,5 P), z.B.: Betrugserkennung, Predictive Maintenance, Logistik, Wertpapierhandel, COVID-19 Monitoring.

Falle: Der 7-Tage-Kritikalitätsscore der Folien nimmt das Minimum über die letzten 7 Tage - eine Stufe wird nur erreicht, wenn sie an allen 7 Tagen gehalten wurde. Hier ist aber nur die einfache Kritikalität einer einzelnen 7-Tage-Inzidenz gefragt.

6.1 (3 P)

a) $sum = 1\cdot1 + 1\cdot(-2) + 1\cdot1 + 0 = 1 - 2 + 1 = 0$.

b) $out = \frac{1}{1+e^{-0}} = \frac{1}{1+1} = 0{,}5$.

c) $f'(0) = f\,(1-f) = 0{,}5\cdot(1-0{,}5) = 0{,}5\cdot0{,}5 = 0{,}25$.

6.2 (4 P)

a) (2 P) 1) Trainingsdaten vorwärts durchs Netz leiten. 2) Fehler in der letzten Schicht berechnen (tatsächliche vs. gewünschte Ausgabe). 3) Korrekturwert $\Delta$ für jedes Neuron der letzten Schicht berechnen. 4) Rückwärts iterieren (vorletzte bis Eingabeschicht) und $\Delta$ unter Nutzung der $\Delta$ der Folgeschicht berechnen. 5) Jedes Gewicht korrigieren mit dem $\Delta$ seines Neurons.

b) (2 P) $\Delta = out\,(1-out)\,(target-out) = 0{,}5\cdot0{,}5\cdot(1-0{,}5) = 0{,}25\cdot0{,}5 = 0{,}125$.

6.3 (5 P)

a) (4 P, je 1 P pro Feld) Elementweise Multiplikation des Filters mit dem jeweiligen 3x3-Ausschnitt, dann Summe.

• Oben links (Zeilen 0-2, Spalten 0-2): $1{+}0{+}1{+}0{+}1{+}0{+}1{+}0{+}1 = 5$
• Oben rechts (Zeilen 0-2, Spalten 1-3): $0{+}0{+}0{+}0{+}0{+}0{+}0{+}0{+}0 = 0$
• Unten links (Zeilen 1-3, Spalten 0-2): $0$
• Unten rechts (Zeilen 1-3, Spalten 1-3): $5$

b) (1 P) $O = N - F + 1 = 4 - 3 + 1 = 2$, also eine 2x2-Merkmalskarte. Die Faltung verkleinert das Bild, ohne die Nachbarschaftsbeziehungen zu verlieren.

6.4 (3 P)

a) (2 P) Maximum je 2x2-Block:

max(1,3,2,1)=3   max(2,4,0,1)=4
max(5,6,2,1)=6   max(1,0,3,2)=3

b) (1 P) Die Anzahl der Ausgabe-Neuronen entspricht der Anzahl der Klassen (bei MNIST z.B. 10).

Tipp: Der symmetrische "Schachbrett"-Filter aus 6.3 reagiert stark auf schachbrettartige Muster (Ergebnis 5) und gar nicht auf die verschobene Phase (Ergebnis 0) - so extrahiert eine Faltung genau ein Merkmal.

7.1 (3 P) Tokens: the, cat, sat, on, the, mat, the, mat, was, flat.

(2 P Zählungen korrekt, 1 P "the":3 und "mat":2 richtig erkannt.)

7.2 (4 P)

a) $\text{idf}(\text{the}) = \log_{10}(1000/1000) = \log_{10}(1) = 0$.

b) $\text{idf}(\text{neural}) = \log_{10}(1000/10) = \log_{10}(100) = 2$.

c) $\text{tfidf} = \text{tf}\cdot\text{idf} = 5\cdot2 = 10$.

d) (1 P) Ein Wort, das in fast allen Dokumenten vorkommt (hohe df), hat eine idf nahe 0; sein tf-idf-Gewicht wird dadurch klein, egal wie oft es im Text steht - es ist wenig unterscheidungsstark.

7.3 (2 P) 1. CountVectorizer - Tokenisierung, Zählen, Stoppwort-Filter (Bag-of-Words). 2. TfidfTransformer - wandelt Zählungen in tf-idf-Gewichte um. 3. MultinomialNB (Naive Bayes) - der Classifier, der das Label vorhersagt.

7.4 (2 P)

a) (1 P) BoW verliert Grammatik und Wortreihenfolge. n-Gramme (Sequenzen aus N aufeinanderfolgenden Worten) erfassen ein Stück Kontext/Reihenfolge.

b) (1 P) Zwei von: Information Retrieval (Text -> relevante Dokumente); Textklassifikation (Text -> Kategorie); Information Extraction (Text -> Wissensgraph); Question Answering (Fragetext -> Antworttext); Maschinelles Übersetzen (Sprache A -> Sprache B); Texterzeugung (Wissensgraph -> Text).

Tipp: idf mit $\log_{10}$: $df = N$ ergibt immer 0, $df = N/10$ ergibt 1, $df = N/100$ ergibt 2 - so lassen sich die Werte ohne Taschenrechner ablesen.

8.1 (5 P)

a) (2 P) Zuordnung zum näheren Zentrum:

• $1$: $|1-1|=0$ vs. $|1-12|=11$ -> $m_1$
• $3$: $2$ vs. $9$ -> $m_1$
• $5$: $4$ vs. $7$ -> $m_1$
• $12$: $11$ vs. $0$ -> $m_2$
• $14$: $13$ vs. $2$ -> $m_2$

$C_1 = \{1,3,5\}$, $C_2 = \{12,14\}$.

b) (2 P) Zentroide als Mittelwert:

c) (1 P) Nächste Zuordnung mit $m_1=3$, $m_2=13$: $1,3,5$ bleiben näher an $3$; $12,14$ bleiben näher an $13$. Die Mengen ändern sich nicht -> die Zentren bleiben gleich -> Konvergenz. Endzentren $m_1=3$, $m_2=13$.

8.2 (4 P)

a) (2 P) 1. Features zentrieren (Mittelwert null). 2. Kovarianzmatrix berechnen (symmetrisch, $n\times n$). 3. Eigenvektoren und Eigenwerte bestimmen ($Mx = \lambda x$). 4. Eigenvektoren nach absteigendem Eigenwert sortieren. 5. Hauptkomponenten als Linearkombinationen der Features bilden (größter Eigenwert -> PC1, zweitgrößter -> PC2, ...).

b) (2 P) Man behält PC1 und PC2 (sie tragen die meiste Varianz). Anteil:

8.3 (3 P)

a) (2 P) k-Means nutzt den euklidischen Abstand. Haben Features sehr unterschiedliche Wertebereiche (z.B. Alter 20-80 vs. Einkommen 20.000-100.000), dominiert das Feature mit großer Skala die Distanz und verzerrt die Cluster. Normalisierung bringt alle Features auf eine vergleichbare Skala.

b) (1 P) $x' = \dfrac{x - x_{\min}}{x_{\max} - x_{\min}}$

Falle: "Normalisierung" heißt hier Min-Max-Skalierung auf $[0,1]$ (Clustering), während sie im PCA-Algorithmus nur Zentrieren (Mittelwert null) bedeutet - gleicher Name, zwei verschiedene Operationen.

9.1 (4 P) a) Wahr - Hype = Hyperbel/Übertreibung, belegt mit Fehlprognosen (Minsky 1967/1970, Kurzweil 2005). b) Wahr. c) Falsch - Herzschrittmacher (wie Hörgeräte, Brillen) ist gerade ein alltägliches Cyborg-Beispiel. d) Wahr.

9.2 (3 P)

a) (2 P) Die Software zur Vorhersage künftiger Straftäter gab dem weißen Angeklagten Vernon Prater einen niedrigen Risiko-Score (3) und der schwarzen Angeklagten Brisha Borden einen hohen Score (8), obwohl Borden nicht rückfällig wurde. Das zeigt: Ein algorithmischer Score kann trotz gegenteiliger tatsächlicher Entwicklung eine Gruppe systematisch benachteiligen. Bias entsteht nicht durch böse Absicht, sondern durch verzerrte Trainingsdaten und Modellannahmen - historische Vorurteile werden fortgeschrieben.

b) (1 P) Hochfrequenzhandel (HFT) mit dem Flash Crash (abrupter Kurseinbruch des E-mini S&P 500) - oder alternativ autonome Waffen als Feld unkontrollierter Delegation folgenreicher Entscheidungen.

Tipp: Die Leitfrage des Kapitels lautet "Wer soll entscheiden, Mensch oder Maschine?" - alle Beispiele (Bias, HFT, autonome Waffen) illustrieren das Spannungsfeld zwischen schnelleren Maschinenentscheidungen und gravierenden Fehlerfolgen bei unklarer Verantwortung.