Künstliche Intelligenz - einfach erklärt für Einsteiger
Learn agent systems, multi-agent AI, neural networks, deep learning, machine learning & computer vision. Build intelligent systems!
Course Content
Künstliche Intelligenz - einfach erklärt für Einsteiger is an all-levels Udemy course taught by Axel Mammitzsch. It runs 59m, is taught in German, and includes a certificate of completion. Learners rate it 3.7 out of 5 from 132 reviews, with 523 students enrolled. It is a paid course, last updated January 2020.
Entdecken Sie die Welt der Künstlichen Intelligenz (KI)
Dieser umfassende Videokurs ist perfekt für Anfänger, die die Grundlagen der Künstlichen Intelligenz verstehen möchten. Wir führen Sie auf einer Reise durch die historische Entwicklung der KI, von ihren Anfängen bis zu den neuesten Durchbrüchen.
Kursinhalte:
Einführung und Historischer Hintergrund:
- Was ist KI? Eine philosophische Betrachtung der Künstlichen Intelligenz.
- Starke KI vs. Schwache KI: Ein Überblick über die verschiedenen Arten von KI.
- Der Turing-Test: Ein Klassiker zur Bewertung von Intelligenz bei Maschinen.
- Die Geburt der KI und die ersten vielversprechenden Entwicklungen.
- Die Ära der großen Erwartungen und die anschließende Realitätsprüfung.
- Wie man einer Maschine das Lernen beibringt: Grundlagen des Machine Learning.
- Verteilte Systeme in der KI: Wie KI-Aufgaben auf mehrere Computer verteilt werden.
- Deep Learning, Machine Learning und Natural Language Processing (NLP): Die wichtigsten Teilbereiche der KI.
Der Allgemeine Problemlöser:
- Beweisprogramm - Logical Theorist: Ein frühes Beispiel für KI.
- Beispiel aus “Human Problem Solving“ (Simon): Wie Menschen Probleme lösen.
- Die Struktur eines Problems: Analyse und Modellierung von Problemen.
- Dieser Abschnitt behandelt die frühen Techniken der KI, inklusive bekannter Beispielsysteme, die die anfängliche Euphorie auslösten.
Expertensysteme:
- Faktenwissen und heuristisches Wissen: Die Grundlage von Expertensystemen.
- Frames, Slots und Filler: Strukturierung von Wissen in Expertensystemen.
- Vorwärts- und Rückwärtsverkettung: Inferenzmechanismen in Expertensystemen.
- Das MYCIN Programm: Ein klassisches Beispiel für ein Expertensystem.
- Wahrscheinlichkeiten in Expertensystemen: Umgang mit Unsicherheit.
- Beispiel: Wahrscheinlichkeit von Haarrissen – Anwendung von Expertensystemen in der Praxis.
- Dieser Abschnitt konzentriert sich auf Expertensysteme, die spezifische Probleme lösen, indem sie auf eine Wissensbasis aus Regeln und Fakten zugreifen.
Neuronale Netze:
- Das menschliche Neuron: Grundlagen der neuronalen Informationsverarbeitung.
- Signalverarbeitung eines Neurons: Wie Neuronen Informationen verarbeiten.
- Das Perceptron: Ein frühes Modell neuronaler Netze.
- Die Rückkehr zur Idee, das menschliche Gehirn nachzubauen durch neuronale Netze.
- Frühe Ansätze und fehlende Ideen für den Durchbruch neuronaler Netze.
Maschinelles Lernen (Deep Learning & Computer Vision):
- Beispiel: Kartoffelernte – Anwendung von KI in der Landwirtschaft.
- Das Geburtsjahr des Deep Learning: Der Beginn einer neuen Ära.
- Schichten von Deep-Learning-Netzen: Die Architektur moderner neuronaler Netze.
- Maschinelles Sehen / Computer Vision: Wie Computer Bilder verstehen.
- Convolutional Neural Networks (CNN): Ein wichtiger Typ von neuronalen Netzen für Bilderkennung.
- Die Idee eines Agenten und sein Zusammenspiel in einem Multi-Agenten-System: Verteilung von Komplexität.
- Der Durchbruch der mehrschichtigen neuronalen Netze, maschinelles Lernen, maschinelles Sehen (Computer Vision), Spracherkennung und weitere Anwendungen der heutigen Künstlichen Intelligenz.
Want AI in your product? Hire the team behind TutorialSearch.io
LLM features, RAG, agents and automation wired into a real product — built by the devs who shipped this site.