1 Künstliche Intelligenz

1.1 Was ist, was kann künstliche Intelligenz?
1.2 Struktur des Buches
1.3 Intelligente Agenten
1.3.1 Agenten und künstliche Intelligenz
1.3.2 Anwendungen
1.4 Übungen

2 Darstellung und Verarbeitung von Wissen

2.1 Darstellung von Wissen mit Hilfe von Logik
2.1.1 Aussagenlogik
2.1.2 Prädikatenlogik
2.1.3 Logik und PROLOG
2.1.4 Übungen
2.2 Regelbasierte Wissensverarbeitung
2.2.1 Vorwärtsverkettung
2.2.2 Rückwärtsverkettung
2.2.3 Regelverarbeitung und PROLOG
2.2.4 Übungen
2.3 Semantische Netze und Frames
2.3.1 Semantische Netze
2.3.2 Frames
2.3.3 Übungen
2.4 Vages Wissen
2.4.1 Unsicheres Wissen
2.4.2 Fuzzy-Mengen
2.4.3 Fuzzy-Logik
2.4.4 Fuzzy-Regler
2.4.5 Übungen

3 Problemlösung mittels Suche

3.1 Uninformierte Suche
3.2 Heuristische Suche
3.2.1 Heuristik des nächsten Nachbarn
3.2.2 Bergsteiger-Strategie
3.2.3 Bestensuche
3.2.4 A*-Suche
3.3 Das Rundreiseproblem
3.4 Zusammenfassung
3.5 Übungen

4 PROLOG

4.1 Erste Schritte
4.2 Ein Beispiel
4.2.1 Übungen
4.3 Regeln
4.3.1 Übungen
4.4 Abarbeitung und Bedeutung von PROLOG-Programmen
4.4.1 Lösungsfindung mittels Backtracking
4.4.2 Parameterübergabe mittels Unifikation
4.4.3 Interpretation von PROLOG-Programmen
4.4.4 Übungen
4.5 Datentypen und Arithmetik
4.5.1 Einfache und zusammengesetzte Datentypen
4.5.2 Listen
4.5.3 Arithmetik
4.5.4 Übungen
4.6 Steuerung der Abarbeitung
4.6.1 Reihenfolge der Klauseln
4.6.2 Reihenfolge der Literale im Körper einer Regel
4.6.3 Kontrolle des Backtracking
4.6.4 Die Negation
4.6.5 Übungen
4.7 Vordefinierte Prädikate
4.7.1 Übungen
4.8 Beispielprogramme
4.8.1 Das Einfärben einer Landkarte
4.8.2 Die Türme von Hanoi
4.8.3 Das Acht-Damen-Problem
4.8.4 Das Problem der stabilen Paare
4.8.5 Übungen

5 Künstliche neuronale Netze

5.1 Das künstliche Neuron
5.2 Architekturen
5.3 Arbeitsweise
5.4 Übungen

6 Vorwärts verkettete neuronale Netze

6.1 Das Perzeptron
6.1.1 Die Delta-Regel
6.1.2 Musterzuordnungen
6.1.3 Übungen
6.2 Backpropagation-Netze
6.2.1 Das Backpropagation-Verfahren
6.2.2 Das XOR-Netz
6.2.3 Codierung von Eingabedaten
6.2.4 Modifikationen des Backpropagation-Algorithmus
6.2.5 Übungen
6.3 Typische Anwendungen
6.3.1 Zeichenerkennung
6.3.2 Das Encoder-Decoder-Netz
6.3.3 Prognose-Netz
6.3.4 Übungen
6.4 Netzgröße und Optimierungen
6.4.1 Die Größe der inneren Schicht
6.4.2 Das Entfernen von Verbindungen
6.4.3 Genetische Algorithmen
6.4.4 Übungen

7 Partiell rückgekoppelte Netze

7.1 Jordan-Netze
7.2 Elman-Netz
7.3 Übungen

8 Selbstorganisierende Karten

8.1 Architektur und Arbeitsweise
8.2 Das Training
8.3 Visualisierung einer Karte und deren Verhalten
8.4 Eine Lösung des Rundreiseproblems
8.5 Übungen

9 Autoassoziative Netze

9.1 Hopfield-Netze
9.1.1 Arbeitsweise
9.1.2 Wiedererkennung von Mustern
9.1.3 Energieniveau eines Netzes
9.2 Lösung von Optimierungsproblemen
9.3 Die Boltzmann-Maschine
9.4 Übungen

10 Adaptive Resonanz Theorie

10.1 Struktur eines ART-Netzes
10.2 Das Beispiel Würfelmuster
10.3 Arbeitsweise
10.3.1 Initialisierung
10.3.2 Erkennungsphase
10.3.3 Vergleichsphase
10.3.4 Suchphase
10.3.5 Gewichtsanpassung
10.4 Übungen

11 Wettbewerbslernen
11.1 Neuronales Gas
11.2 Wachsendes neuronales Gas
11.3 Übungen

12 Arbeiten mit dem SNNS

12.1 Ein erstes Beispiel
12.1.1 Aufbau des Netzes
12.1.2 Trainieren des Netzes
12.2 Aufbau von Netzen – der Netzeditor
12.2.1 Einfügen und Modifizieren von Neuronen (Units)
12.2.2 Einfügen und Entfernen von Verbindungen
12.2.3 Das INFO-Fenster
12.3 Das Training von Netzen
12.3.1 Aufbau von Trainingsmustern
12.3.2 Der Trainingsprozess
12.4 Die Visualisierung von Ergebnissen
12.5 Übungen

13 Implementation neuronaler Netze

13.1 Einsatz von Array-Datenstrukturen
13.2 Der objektorientierte Ansatz
13.3 Ein einfaches Perzeptron
13.4 Übungen

14 Literatur

Sachwortverzeichnis