Grundlagen der Informatik: Automaten, KI & Maschinelles Lernen

Automaten: Grundlagen und Funktionsweise

Was ist ein Automat? Funktionsweise erklärt

Ein Automat ist eine Maschine, die festgelegte Abläufe ausführt und durch Eingaben zwischen verschiedenen Zuständen wechselt.

Prinzip der Automaten: EVA-Modell

Automaten arbeiten nach dem EVA-Prinzip (Eingabe, Verarbeitung, Ausgabe).

Zustandswechsel bei Automaten

Durch eine Eingabe wechselt ein Automat in einen anderen Zustand.

Darstellung von Automatenabläufen

Die Abläufe eines Automaten lassen sich mit Zustandsdiagrammen darstellen.

Definition einer Schleife

Eine Schleife wiederholt Anweisungen, solange eine bestimmte Bedingung erfüllt ist.

Künstliche Intelligenz (KI)

Künstliche Intelligenz vs. Automaten

Künstliche Intelligenz (KI) entwickelt selbstständig Lösungen, während Automaten lediglich vorgegebene Aufgaben nach festen Regeln lösen.

Starke vs. Schwache KI: Die Unterschiede

Eine schwache KI kann nicht selbstständig lernen, sondern arbeitet mit vorgegebenen Datenmustern und Datenmengen. Eine starke KI hingegen kann eigenständig lernen und denken.

Anwendungsbereiche der Künstlichen Intelligenz

• Assistenten auf Smartphones oder Computern
• Roboter in Fabriken
• Autonome Fahrzeuge
• Übersetzungsprogramme

Maschinelles Lernen (ML)

Maschinelles Lernen: Grundlagen

Maschinelles Lernen ermöglicht es einer Maschine, durch Erfahrungen eigenständig Lösungen zu entwickeln. Dabei werden oft Entscheidungsbäume zur Strukturierung genutzt.

Entscheidungsbaum: Aufbau und Funktion

Ein Entscheidungsbaum strukturiert Informationen, hilft beim Lernen und besteht aus Knoten, die sich für ein Attribut in zwei Richtungen verzweigen.

Attribut in der Informatik: Definition

Ein Attribut ist eine Eigenschaft, die einem Objekt in der Informatik zugeordnet wird und zusätzliche Informationen darüber liefert.

Knoten in Entscheidungsbäumen

Ein Knoten stellt Zustände dar und verzweigt sich typischerweise in zwei Richtungen.

Datensätze für maschinelles Lernen

Damit eine Maschine lernen kann, wird ein Datensatz benötigt.

Unüberwachtes Lernen erklärt

Beim unüberwachten Lernen erhält ein System einen Trainingsdatensatz ohne Zielvorgabe. Es erkennt Muster und gruppiert die Daten eigenständig.

Überwachtes Lernen erklärt

Beim überwachten Lernen erhält ein System einen Trainingsdatensatz mit der richtigen Lösung (Zielvorgabe). Es vergleicht am Ende das Ergebnis, um daraus zu lernen und seine Leistung zu verbessern.

Teilüberwachtes Lernen: Eine Einführung

Teilüberwachtes Lernen kombiniert wenige gelabelte Daten mit vielen ungelabelten Daten, um Muster zu erkennen und Modelle zu trainieren.

Verstärkendes Lernen: Prinzipien

Beim verstärkenden Lernen erhält das System eine Zielvorgabe und lernt durch positive und negative Rückmeldungen, um sein Ergebnis kontinuierlich zu verbessern.