Kategorie APMG-International

Erläuterung
Monotone und sich wiederholende Aufgaben, die Genauigkeit erfordern, eignen sich am besten für Maschinen. Maschinen sind in der Lage, Aufgaben, die wenig oder gar keine Kreativität erfordern, wie z. B. die Dateneingabe oder Bilderkennung, genau und schnell auszuführen.
Das liegt daran, dass Maschinen große Datenmengen schnell und genau verarbeiten können und weniger Fehler machen als Menschen. Außerdem sind Maschinen in der Lage, große Datenmengen zu verarbeiten, ohne sich zu langweilen oder abzulenken, was sie ideal für Aufgaben macht, die eine konstante Genauigkeit erfordern. Weitere Informationen finden Sie im BCS Foundation Certificate In Artificial Intelligence Study Guide oder in den oben aufgeführten Ressourcen.
Suchergebnisse: BCS Foundation Certificate in Artificial Intelligence Studienführer, Kapitel 4: Maschinelles Lernen: https://www.bcs.org/category/19669

Erläuterung
https://en.wikipedia.org/wiki/Robot#:~:text=Arobotisamachine,controlmaybeem Ein Computer ist definiert als eine Maschine, die eine komplexe Reihe von Aufgaben automatisch ausführen kann. Computer werden in einer Vielzahl von Anwendungen eingesetzt, darunter künstliche Intelligenz (AI), Robotik, Produktionslinien und autonome Fahrzeuge. Computer sind in der Lage, komplexe Aufgaben auszuführen, da sie große Datenmengen schnell und präzise verarbeiten können.
Weitere Informationen entnehmen Sie bitte dem BCS Foundation Certificate in Artificial Intelligence Study Guide: https://www.bcs.org/category/18076/bcs-foundation-certificate-in-artificial-intelligence-study-guide.

Erläuterung
Einer der Hauptvorteile eines maschinellen Systems ist seine Fähigkeit, monotone und sich wiederholende Aufgaben zuverlässig und genau auszuführen. Dies ist besonders nützlich für Aufgaben, die ein hohes Maß an Genauigkeit und Präzision erfordern, wie z. B. die Dateneingabe oder -analyse. Maschinengestützte Systeme sind auch in der Lage, große Datenmengen schnell zu verarbeiten, was bedeutet, dass sie Aufgaben schneller und effizienter erledigen können als Menschen. Darüber hinaus können maschinengestützte Systeme so programmiert werden, dass sie auf der Grundlage der eingegebenen Daten bestimmte Entscheidungen und Maßnahmen treffen, so dass sie bestimmte Prozesse automatisieren können, ohne dass ein menschliches Eingreifen erforderlich ist. Referenzen:
* BCS Foundation Certificate In Artificial Intelligence Study Guide (2019), AI Systems, Kapitel 8.
* https://www.apmg-international.com/en/al-adoption/advantages-of-al/

Erläuterung
https://link.springer.com/referenceworkentry/10.1007/978-0-387-73003-5_293#:~:text=Definition,andcomb Dabei werden verschiedene Teilmengen der Daten oder verschiedene Kombinationen der Hypothesen ausgewählt und die Ergebnisse der einzelnen Vorhersagen kombiniert, um ein einziges, genaueres Ergebnis zu erhalten. Dies ist in Situationen nützlich, in denen verschiedene Hypothesen in verschiedenen Teilen der Daten zutreffend sein können oder in denen eine einzelne Hypothese nicht in allen Fällen zutreffend sein kann. Ensemble-Lernen wird in einer Vielzahl von Anwendungen eingesetzt, von der Computer Vision bis zur Verarbeitung natürlicher Sprache.
Referenzen: [1] BCS Foundation Certificate In Artificial Intelligence Study Guide, BCS [2] Apmg-international.com, "What is Ensemble Learning?", APMG International, https://apmg-international.com/en/about-apmg/blog/what-is-ensemble-learning/ [3] Exin.com,
"Ensemble Learning", EXIN, https://www.exin.com/en-us/learn/ensemble-learning

Erläuterung
Die Regression der kleinsten Quadrate ist ein statistisches Verfahren zur Anpassung einer Kurve an eine Reihe von Daten. Dabei wird die Summe der Quadrate der Differenzen zwischen den beobachteten Daten und der angepassten Kurve minimiert. Dazu wird die Linie der besten Anpassung gefunden, d. h. die Linie, die die Summe der quadrierten Residuen minimiert. Die Linie der besten Anpassung wird bestimmt, indem man die Parameter findet, die die Summe der quadrierten Residuen auf ein Minimum reduzieren. Diese Technik wird häufig in der Datenwissenschaft und beim maschinellen Lernen eingesetzt, um Modelle zu erstellen, die für Vorhersagen verwendet werden können. Referenzen: BCS Foundation Certificate In Artificial Intelligence Study Guide, https://bcs.org/certifications/foundation-certificates/artificial-intelligence/

Erläuterung
* Schwacher Lerner: Umgangssprachlich ein Modell, das etwas besser abschneidet als ein naives Modell.
Formal wurde der Begriff auf die Mehrklassen-Klassifizierung verallgemeinert und hat eine andere Bedeutung, die über eine Genauigkeit von mehr als 50 % hinausgeht.
Für die binäre Klassifikation ist es bekannt, dass die genaue Anforderung an schwache Lerner darin besteht, besser als der Zufallsgenerator zu sein. [...] Beachten Sie, dass die Anforderung, dass Basislerner besser als der Zufallsschätzer sein müssen, für Mehrklassenprobleme zu schwach ist, während die Anforderung, dass die Genauigkeit besser als 50% sein muss, zu streng ist.
- Seite 46, Ensemble Methods, 2012.
Es basiert auf der formalen Theorie des computergestützten Lernens, die eine Klasse von Lernmethoden vorschlägt, die eine schwache Lernfähigkeit besitzen, was bedeutet, dass sie besser sind als zufälliges Raten. Schwache Lernfähigkeit wird als Vereinfachung der wünschenswerteren starken Lernfähigkeit vorgeschlagen, bei der eine lernfähige Methode eine beliebig gute Klassifizierungsgenauigkeit erreicht.
Bei einem schwächeren Modell der Lernfähigkeit, der so genannten schwachen Lernfähigkeit, entfällt die Anforderung, dass der Lernende in der Lage sein muss, eine beliebig hohe Genauigkeit zu erreichen; ein schwacher Lernalgorithmus muss nur eine Hypothese ausgeben, die geringfügig (um ein inverses Polynom) besser ist als das zufällige Raten.
- Die Stärke der schwachen Lernfähigkeit, 1990.
Es ist ein nützliches Konzept, da es häufig verwendet wird, um die Fähigkeiten der Mitglieder von Ensemble-Lernalgorithmen zu beschreiben. Beispielsweise werden die Mitglieder einer Bootstrap-Aggregation manchmal als schwache Lerner bezeichnet und nicht als starke, zumindest in der umgangssprachlichen Bedeutung des Begriffs.
Genauer gesagt sind schwache Lerner die Grundlage für die Boosting-Klasse von Ensemble-Lernalgorithmen.
Der Begriff Boosting bezieht sich auf eine Familie von Algorithmen, die in der Lage sind, schwache Lerner in starke Lerner zu verwandeln.
https://machinelearningmastery.com/strong-learners-vs-weak-learners-for-ensemble-learning/ Wenn die Hypothesengenauigkeit eines schwachen Lerners nur geringfügig besser ist als 50%, ist die beste Technik das Boosting. Boosting ist ein Ensemble-Lernverfahren, bei dem mehrere schwache Lerner (d. h. Modelle mit geringer Genauigkeit) kombiniert werden, um ein leistungsfähigeres Modell zu erstellen. Boosting funktioniert durch iteratives Lernen einer Reihe von schwachen Lernern, von denen jeder etwas besser ist als das zufällige Raten. Die Ergebnisse der einzelnen schwachen Lerner werden dann kombiniert, um ein genaueres Modell zu erstellen. Boosting ist eine leistungsstarke Technik, die nachweislich die Genauigkeit einer breiten Palette von Aufgaben des maschinellen Lernens verbessert. Weitere Informationen finden Sie im BCS Foundation Certificate In Artificial Intelligence Study Guide oder in den oben aufgeführten Ressourcen.

Erläuterung
Der Wasserfall-Ansatz ist ein sequentieller Entwurfsprozess, bei dem jede Entwicklungsphase abgeschlossen sein muss, bevor die nächste Phase beginnen kann. Das bedeutet, dass es nach Abschluss einer Phase schwierig ist, zurückzugehen und Änderungen vorzunehmen, da sich jede Änderung am Projekt auf alle anderen Phasen auswirken kann. Infolgedessen kann der Wasserfall-Ansatz die Anpassung an sich ändernde Kundenanforderungen oder an neue Technologien erschweren. Dies kann letztlich zum Scheitern eines KI-Projekts führen.
Referenzen: [1] BCS Foundation Certificate In Artificial Intelligence Study Guide, Seitenzahl 19 [2] APMG International, "What is a Waterfall Model?", https://apmg-international.com/en/blog/what-is-a-waterfall-model/ [3] EXIN, "What is the Waterfall Model?", https://www.exin.com/blog/what-is-the-waterfall-model/

Erläuterung
NLP - Natural Language Processing ist ein Beispiel für KI im engeren Sinne. Es handelt sich um eine Art von KI-System, das natürliche Sprache verstehen, interpretieren und generieren kann. NLP ist in den letzten Jahren immer beliebter geworden, da es zur Entwicklung von Anwendungen wie Chatbots, virtuellen Assistenten und Suchmaschinen verwendet wurde. NLP-Systeme sind in der Lage, Sprache und den Kontext, in dem sie verwendet wird, zu lernen und die Nuancen der Sprache und ihre verschiedenen Bedeutungen zu verstehen. Referenzen: BCS Foundation Certificate In Artificial Intelligence Study Guide, https://bcs.org/certifications/foundation-certificates/artificial-intelligence/

Erläuterung
Der Mensch nutzt seine Intelligenz, um seine Umwelt zu manipulieren, um seine Ziele zu erreichen und seine Aufgabe zu erfüllen. Dies kann eine breite Palette von Aktivitäten umfassen, wie z. B. den Bau von Werkzeugen, die Konstruktion von Unterkünften und die Entwicklung von Strategien zur Lösung von Problemen. Referenzen: BCS Foundation Certificate In Artificial Intelligence Study Guide, https://bcs.org/ai/certificate/ und APMG International, https://www.apmg-international.com/qualifications/artificial-intelligence-foundation-certificate.

Erläuterung
* Leistungsmaß des Agenten Es ist das Kriterium, das bestimmt, wie erfolgreich ein Agent ist.
* Verhalten des Agenten Es handelt sich um die Aktion, die der Agent nach einer bestimmten Abfolge von Wahrnehmungen durchführt.
* Wahrnehmen Es handelt sich um die Wahrnehmungseingaben des Agenten zu einem bestimmten Zeitpunkt.
* Percept Sequence Es ist die Geschichte all dessen, was ein Agent bis heute wahrgenommen hat.
* Agentenfunktion Es handelt sich um eine Abbildung von der Vorgabefolge auf eine Handlung.
Agententerminologie
https://www.tutorialspoint.com/artificial_intelligence/artificial_intelligence_agents_and_environments.htm Ein KI-Agent ist auf seinen Wahrnehmungsinput angewiesen, der als Wahrnehmung des Agenten bezeichnet wird. Dies sind die Daten, die der Agent mit Hilfe seiner Sensoren über seine Umgebung sammelt. Die Wahrnehmung ermöglicht es dem Agenten, auf der Grundlage seiner Umgebung Entscheidungen zu treffen und Maßnahmen zu ergreifen. Die Wahrnehmung des Agenten ist wichtig, damit Systeme der künstlichen Intelligenz effektiv arbeiten können. Referenzen:
[1] BCS Foundation Certificate In Artificial Intelligence Study Guide, "Reinforcement Learning", S.96-97. [2] APMG-International.com, "Foundations of Artificial Intelligence" [3] EXIN.com, "Foundations of Artificial Intelligence"

Erläuterung
https://research.com/careers/what-is-the-fourth-industrial-revolution
Künstliche Intelligenz (KI) spielt eine wichtige Rolle bei der raschen Entwicklung der vierten industriellen Revolution. KI-Technologien ermöglichen die Automatisierung vieler Prozesse, die zuvor von Menschen oder Maschinen ausgeführt wurden, was die Geschwindigkeit, Effizienz und Genauigkeit dieser Prozesse erheblich gesteigert hat.
Die Automatisierung ist einer der wichtigsten Beiträge der künstlichen Intelligenz zur vierten industriellen Revolution, da sie die Produktivität von Unternehmen und Industriezweigen erheblich gesteigert und gleichzeitig die Produktionskosten gesenkt und die Qualität der Produkte verbessert hat.
Referenzen: https://www.bcs.org/more/certifications/foundation-certificate-in-artificial-intelligence/ https://www

Erläuterung
Aktivierungsfunktionen
Eine Aktivierungsfunktion in einem neuronalen Netz legt fest, wie die gewichtete Summe der Eingabe in eine Ausgabe von einem Knoten oder mehreren Knoten in einer Schicht des Netzes umgewandelt wird.
https://machinelearningmastery.com/choose-an-activation-function-for-deep-learning/#:~:text=Anactivation Eine Aktivierungsfunktion ist eine mathematische Funktion, die in einem neuronalen Netz verwendet wird, um die Ausgabe eines Neurons zu bestimmen. Aktivierungsfunktionen werden verwendet, um die Eingaben in ein Ausgangssignal umzuwandeln und können von einfachen linearen Funktionen bis hin zu komplexen nichtlinearen Funktionen reichen. Aktivierungsfunktionen sind ein wichtiger Bestandteil von neuronalen Netzen und helfen dem Netz, Muster zu lernen und Daten zu verallgemeinern. Zu den Arten von Aktivierungsfunktionen gehören Sigmoid, ReLU, tanh und Softmax. Referenzen: BCS Foundation Certificate In Artificial Intelligence Study Guide, https://bcs.org/certifications/foundation-certificates/artificial-intelligence/

Erläuterung
https://griffinshare.fontbonne.edu/cgi/viewcontent.cgi?article=1008&context=ijds Informatiker und Wirtschaftswissenschaftler verwenden den Begriff "Nutzen", um zu beschreiben, wie zufrieden ein Akteur ist. Der Nutzwert ist ein Maß für die Zufriedenheit oder Präferenz und wird verwendet, um die Zufriedenheit eines Agenten mit einem bestimmten Ergebnis zu bewerten. Der Nutzen kann verwendet werden, um die optimale Entscheidung oder Aktion für einen Agenten zu bestimmen, um seine Zufriedenheit zu maximieren. Referenzen:
[1] BCS Foundation Certificate In Artificial Intelligence Study Guide, "Entscheidungsfindung und Planung", S.99-100. [2] APMG-International.com, "Grundlagen der Künstlichen Intelligenz" [3] EXIN.com, "Grundlagen der Künstlichen Intelligenz"

Erläuterung
Prof. David Chalmers beschreibt das schwierige Bewusstseinsproblem als so komplex wie das Universum. Er argumentiert, dass das Verständnis des Bewusstseins aufgrund der Anzahl der beteiligten Variablen und Dimensionen so schwierig ist wie das Verständnis des Universums selbst. Er hat die Komplexität des Problems mit der von Turbulenzen, Quantenmechanik und Psychologie verglichen, glaubt aber, dass das Problem des Bewusstseins noch komplexer ist als alle diese Probleme.
Referenzen:
[1] https://www.bcs.org/upload/pdf/foundation-certificate-ai-syllabus-v1.pdf [2] https://www.apmg-international
David J. Chalmers, "The Hard Problem of Consciousness", in J. Shear (ed.), Explaining Consciousness: Das "schwierige Problem", MIT Press, 1997.

Erläuterung
Mithilfe des maschinellen Lernens können Roboter autonom werden, indem sie aus Sensordaten lernen und planen, wie sie eine Aufgabe ausführen sollen. Dabei werden Algorithmen eingesetzt, um Daten von Sensoren zu analysieren und diese Daten zu nutzen, um Entscheidungen zu treffen und Maßnahmen zu ergreifen. Durch den Einsatz von maschinellem Lernen können Roboter von ihrer Umgebung lernen und autonomer werden. Referenzen:
[1] BCS Foundation Certificate In Artificial Intelligence Study Guide, "Robotics", S.98. [2] APMG-International.com, "Grundlagen der Künstlichen Intelligenz" [3] EXIN.com, "Grundlagen der Künstlichen Intelligenz"

Erläuterung
Ein intelligenter Roboter ist ein Roboter, der KI-Techniken wie maschinelles Lernen und natürliche Sprachverarbeitung einsetzt, um seine Umgebung wahrzunehmen, zu planen und zu handeln. Intelligente Roboter sind in der Lage, große Datenmengen schnell und präzise zu verarbeiten, so dass sie Entscheidungen treffen und Aufgaben selbstständig ausführen können. Intelligente Roboter können in einer Vielzahl von Anwendungen eingesetzt werden, von der industriellen Automatisierung bis zum Gesundheitswesen.