Artificial-Intelligence-HSBI-TDU · cagix · Jul 11, 2024 · Jul 1, 2024 · Jul 10, 2024 · Jul 10, 2024
@@ -1,6 +1,6 @@
 ---
 archetype: assignment
-title: "Blatt 04: Constraints"
+title: "Übungsblatt: Constraints"
 author: "Carsten Gips (HSBI)"
 points: "10 Punkte"
 
@@ -9,7 +9,7 @@ hidden: true
 
 
 
-## A04.1: Logikrätsel (2P)
+## CSP.01: Logikrätsel (2P)
 
 Betrachten Sie die Variante des berühmten ["Einstein-Rätsels"] auf Wikipedia.
 
@@ -25,7 +25,7 @@ sind. Schreiben Sie die Constraints als (unäre bzw. binäre) Relationen auf.
 
 
 
-## A04.2: Framework für Constraint Satisfaction (2P)
+## CSP.02: Framework für Constraint Satisfaction (2P)
 
 Lösen Sie nun das Rätsel aus A04.1:
 
@@ -50,7 +50,7 @@ Python-Klassen in [`csp.py`] als Ausgangspunkt nutzen.[^aima]
 
 
 
-## A04.3: Kantenkonsistenz mit AC-3 (3P)
+## CSP.03: Kantenkonsistenz mit AC-3 (3P)
 
 Sei $D=\lbrace 0, \ldots, 5 \rbrace$, und ein Constraintproblem definiert durch
 $$\langle
@@ -74,8 +74,7 @@ mit
 
 
 
-
-## A04.4: Forward Checking und Kantenkonsistenz (2P)
+## CSP.04: Forward Checking und Kantenkonsistenz (2P)
 
 Betrachten Sie erneut das CSP aus der vorigen Aufgabe und die Zuweisung
 $\alpha = \lbrace v_1 \to  2 \rbrace$.
@@ -97,8 +96,7 @@ $\alpha = \lbrace v_1 \to  2 \rbrace$.
 
 
 
-
-## A04.5: Anwendungen (1P)
+## CSP.05: Anwendungen (1P)
 
 Recherchieren Sie, in welchen Anwendungen CSP vorkommen und mit der BT-Suche (plus
 Heuristiken) oder sogar AC-3 gelöst werden. Erklären Sie kurz, wie und wofür die

@@ -1,6 +1,6 @@
 ---
 archetype: assignment
-title: "Blatt 05: Entscheidungsbäume"
+title: "Übungsblatt: Entscheidungsbäume"
 author: "Carsten Gips (HSBI)"
 points: "10 Punkte"
 
@@ -9,7 +9,7 @@ hidden: true
 
 
 
-## A05.1: Entscheidungsbäume mit CAL3 und ID3 (6P)
+## DTL.01: Entscheidungsbäume mit CAL3 und ID3 (6P)
 
 Es ist wieder Wahlkampf: Zwei Kandidaten O und M bewerben sich um die
 Kanzlerschaft. Die folgende Tabelle zeigt die Präferenzen von sieben Wählern.
@@ -38,7 +38,7 @@ Python-Klassen in [`learning.py`] als Ausgangspunkt nutzen.[^aima]
 
 
 
-## A05.2: Pruning (1P)
+## DTL.02: Pruning (1P)
 
 Vereinfachen Sie schrittweise den Baum
 $$x_3(x_2(x_1(C,A), x_1(B,A)), x_1(x_2(C,B), A))$$
@@ -51,7 +51,7 @@ Geben Sie die jeweils verwendete Regel an.
 
 
 
-## A05.3: Machine Learning mit Weka (3P)
+## DTL.03: Machine Learning mit Weka (3P)
 
 Weka ([cs.waikato.ac.nz/ml/weka](https://www.cs.waikato.ac.nz/ml/weka/)) ist eine
 beliebte Sammlung von (in Java implementierten) Algorithmen aus dem Bereich des

@@ -1,6 +1,6 @@
 ---
 archetype: assignment
-title: "Blatt 02: Lokale Suche, GA"
+title: "Übungsblatt: Lokale Suche, GA"
 author: "Carsten Gips (HSBI)"
 points: "10 Punkte"
 
@@ -9,10 +9,10 @@ hidden: true
 
 
 
-## A02.1: Modellierung von GA (2P)
+## EA.01: Modellierung von GA (2P)
 
 Betrachten Sie das 8-Queens-Problem sowie das Landkarten-Färbeproblem (aus
-Vorlesung [CSP: Intro](../lecture/csp/intro-csp.md)). Starten
+Vorlesung [CSP: Intro](../lecture/csp/csp1-intro.md)). Starten
 Sie beim Färbeproblem mit fünf verschiedenen Farben, Ziel sollte eine
 konfliktfreie Einfärbung mit einer minimalen Anzahl an Farben sein.
 
@@ -28,7 +28,7 @@ Simulated Annealing lösen zu können?
 
 
 
-## A02.2: Implementierung (5P)
+## EA.02: Implementierung (5P)
 
 Implementieren Sie den in der Vorlesung besprochenen GA und wenden Sie den
 Algorithmus nacheinander auf beide Probleme an. Sie können gern auch die
@@ -47,7 +47,7 @@ Erstellen Sie eine geeignete (systematische!) Auswertung Ihrer Experimente.
 
 
 
-## A02.3: Anwendungen (3P)
+## EA.03: Anwendungen (3P)
 
 1.  Analysieren Sie die Implementierung von
     [Randal Olson "Here's Waldo: Computing the optimal search strategy for finding Waldo"](http://www.randalolson.com/2015/02/03/heres-waldo-computing-the-optimal-search-strategy-for-finding-waldo/)

@@ -1,6 +1,6 @@
 ---
 archetype: assignment
-title: "Blatt 03: Spiele"
+title: "Übungsblatt: Spiele"
 author: "Carsten Gips (HSBI)"
 points: "10 Punkte"
 
@@ -9,7 +9,7 @@ hidden: true
 
 
 
-## A03.1: Handsimulation: Minimax und alpha-beta-Pruning (3P)
+## Games.01: Handsimulation: Minimax und alpha-beta-Pruning (3P)
 
 ![](images/alphabeta.png)
 
@@ -31,7 +31,7 @@ links nach rechts.
 
 
 
-## A03.2: Optimale Spiele: Minimax und alpha-beta-Pruning (4P)
+## Games.02: Optimale Spiele: Minimax und alpha-beta-Pruning (4P)
 
 1.  (2P) Implementieren Sie den Minimax-Algorithmus (wie in der VL
     besprochen) am Beispiel *Tic Tac Toe* in einer Sprache Ihrer Wahl.
@@ -45,7 +45,7 @@ links nach rechts.
 
 
 
-## A03.3: Minimax vereinfachen (1P)
+## Games.03: Minimax vereinfachen (1P)
 
 Vereinfachen Sie den Minimax-Algorithmus aus der Vorlesung, indem Sie die
 Eigenschaft *Nullsummenspiel* berücksichtigen und die Funktionen `Min-Value`
@@ -60,7 +60,7 @@ Algorithmus.
 
 
 
-## A03.4: Suchtiefe begrenzen (1P)
+## Games.04: Suchtiefe begrenzen (1P)
 
 Die Verwendung der Suchtiefenbeschränkung erfordert den Einsatz einer
 Evaluierungsfunktion.
@@ -77,7 +77,7 @@ diese Evaluierungsfunktion im Zusammenhang mit *Tic-Tac-Toe* sinnvoll sein kann.
 
 
 
-## A03.5: Minimax generalisiert (1P)
+## Games.05: Minimax generalisiert (1P)
 
 Betrachten Sie nun das Problem, den Spielbaum eines Drei-Personen-Spiels zu
 evaluieren, das nicht notwendigerweise die Nullsummenbedingung erfüllt.

@@ -1,6 +1,6 @@
 ---
 archetype: assignment
-title: "Blatt 06: Naive Bayes"
+title: "Übungsblatt: Naive Bayes"
 author: "Carsten Gips (HSBI)"
 points: "10 Punkte"
 
@@ -9,17 +9,17 @@ hidden: true
 
 
 
-## A06.1: Wahlkampf mit Naive Bayes (4P)
+## NB.01: Wahlkampf mit Naive Bayes (4P)
 
-Betrachten Sie erneut das Szenerio von Aufgabe A05.1 auf [Blatt 05](sheet05.md).
+Betrachten Sie erneut das Szenerio von [Aufgabe DTL.01](sheet-dtl.md).
 
 (2P) "Trainieren" Sie für den gezeigten Datensatz einen Naive Bayes Klassifikator (manuell).
 
 (2P) Welchen Kandidaten würde der Klassifikator einem Wähler ($< 35$, niedrig, Bachelor)
 zuordnen? Erklären Sie die Arbeitsweise des Klassifikators.
 
 
-## A06.2: Textklassifikation mit Naive Bayes: Spam-Erkennung (6P)
+## NB.02: Textklassifikation mit Naive Bayes: Spam-Erkennung (6P)
 
 Laden Sie sich den Datensatz
 ["Spam Mails Dataset" (Kaggle)](https://www.kaggle.com/datasets/venky73/spam-mails-dataset)

@@ -1,6 +1,6 @@
 ---
 archetype: assignment
-title: "Blatt 10: Backpropagation"
+title: "Übungsblatt: Backpropagation"
 author: "Canan Yıldız (Türkisch-Deutsche Universität)"
 points: "10 Punkte"
 
@@ -10,7 +10,7 @@ hidden: true
 
 
 
-## A10.1: Gewichtsupdates für versteckte Schichten (2P)
+## NN.Backprop.01: Gewichtsupdates für versteckte Schichten (2P)
 
 In der Vorlesung wurde(n) die Gewichtsupdates bei der Backpropagation für die Ausgabeschicht und die davor liegende letzte versteckte Schicht hergeleitet, wobei in der Ausgabeschicht die Sigmoid und in der versteckten Schicht die ReLU Aktivierungsfunktionen eingesetzt wurden.
 Leiten Sie die Gewichtsupdates für die erste versteckte Schicht (für ein Netz mit zwei echten versteckten Schichten) her. Verwenden Sie dabei die Sigmoid Funktion als Aktivierung in allen Schichten.
@@ -19,7 +19,7 @@ Leiten Sie die Gewichtsupdates für die erste versteckte Schicht (für ein Net
 
 
 
-## A10.2: Forward- und Backpropagation (2P)
+## NN.Backprop.02: Forward- und Backpropagation (2P)
 
 Betrachten Sie das folgende MLP mit einer versteckten Schicht mit zwei Zellen. Die Gewichte sind an den Kanten angegeben. Das Netz erhält den skalaren Input $x$ und berechnet daraus die Ausgabe $y$. Beide Zellen verwenden die Aktivierungsfunktion
 $\sigma(z) = \frac{1}{ 1 + e^{−z} }$.
@@ -32,7 +32,7 @@ $\sigma(z) = \frac{1}{ 1 + e^{−z} }$.
 
 
 
-## A10.3: MLP und Backpropagation (6P)
+## NN.Backprop.03: MLP und Backpropagation (6P)
 
 Implementieren Sie ein Feedforward MLP mit mindestens einer versteckten Schicht. Nutzen Sie die Cross-Entropy Verlustfunktion.