Quellen

Diese Seite bündelt die Quellen, die über die einzelnen Themenseiten verteilt sind. Jede Themenseite führt ihre Quellen im Detail und in eigenen Worten kommentiert; hier stehen sie aggregiert und mit Link zur kanonischen Fundstelle (DOI, arXiv oder offizielle Seite). Die Vorlesungs-Foliensätze und Übungsblätter sind die durchgehende Primärgrundlage und werden jeweils direkt auf der Themenseite genannt (siehe „Vorlesungsmaterial” unten).

Standardliteratur#

• Russell, S. & Norvig, P.: Artificial Intelligence — A Modern Approach (4. Aufl., Pearson 2021) — das durchgehende Referenzlehrbuch; auf praktisch jeder Themenseite zur präzisen Begriffsbildung herangezogen.
• Sutton, R. S. & Barto, A. G.: Reinforcement Learning: An Introduction (2. Aufl., MIT Press 2018) — Referenz für Q-Learning & RL (6.1).
• Minsky, M. & Papert, S.: Perceptrons (MIT Press 1969) — die klassische Analyse der Perzeptron-Grenzen, neuronale Netze (7.1).

Wissenschaftliche Primärliteratur#

Einführung, Agenten & LLMs (Kap. 1)#

• Turing, A. M. (1950): Computing Machinery and Intelligence, Mind LIX(236) — Imitationsspiel/Turing-Test, 1.1.
• Searle, J. R. (1980): Minds, Brains, and Programs, Behavioral and Brain Sciences 3(3) — Chinesisches Zimmer, 1.1.
• Newell, Shaw & Simon (1959): Report on a General Problem-Solving Program, IFIP — der General Problem Solver, 1.1.
• Good, I. J. (1965): Speculations Concerning the First Ultraintelligent Machine, Advances in Computers 6 — „technologische Singularität”, 1.1.
• Wei et al. (2022): Chain-of-Thought Prompting…, arXiv:2201.11903 — CoT, 1.3.
• Yao et al. (2023): Tree of Thoughts, arXiv:2305.10601 — ToT samt „24”-Benchmark, 1.3.
• Shojaee et al. (2025): The Illusion of Thinking, arXiv:2506.06941 — Grenzen von „Reasoning”-Modellen, 1.3.

Suche & Spiele (Kap. 2)#

• Hart, Nilsson & Raphael (1968): A Formal Basis for the Heuristic Determination of Minimum Cost Paths, IEEE TSSC 4(2) — die Originalarbeit zu A*, 2.1 / 2.2.
• Lumelsky & Stepanov (1987): Path-Planning Strategies for a Point Mobile Automaton…, Algorithmica 2 — die Bug-Algorithmen, 2.1.
• von Neumann, J. (1928): Zur Theorie der Gesellschaftsspiele, Mathematische Annalen 100 — das Minimax-Theorem, 2.3.
• Silver et al. (2017): Mastering the game of Go without human knowledge, Nature 550 — AlphaGo Zero, 2.3.
• Silver et al. (2018): A general reinforcement learning algorithm…, Science 362 — AlphaZero, 2.3.
• Allis, V. (1988): A Knowledge-based Approach of Connect-Four (M.Sc.-Arbeit, VU Amsterdam) — 4-Gewinnt gelöst, 2.3.

Maschinelles Lernen & Erklärbarkeit (Kap. 3)#

• Quinlan, J. R. (1986): Induction of Decision Trees, Machine Learning 1 — der ID3-Algorithmus, 3.2.
• Cortes & Vapnik (1995): Support-Vector Networks, Machine Learning 20 — die Support Vector Machine, 3.2.
• Lundberg & Lee (2017): A Unified Approach to Interpreting Model Predictions, arXiv:1705.07874 — SHAP, 3.4.
• Shapley, L. S. (1953): A Value for n-Person Games, Contributions to the Theory of Games II — die Shapley-Werte hinter SHAP, 3.4.

Data Mining (Kap. 5)#

• Lloyd, S. P. (1982): Least squares quantization in PCM, IEEE Trans. Information Theory 28 — der Lloyd-Algorithmus (k-Means), 5.1.
• Agrawal & Srikant (1994): Fast Algorithms for Mining Association Rules, VLDB — Apriori, 5.2.
• Han, Pei & Yin (2000): Mining Frequent Patterns without Candidate Generation, SIGMOD — FP-Growth, 5.2.

Reinforcement Learning (Kap. 6)#

• Watkins & Dayan (1992): Q-learning, Machine Learning 8 — die Q-Learning-Originalarbeit, 6.1.
• Mnih et al. (2015): Human-level control through deep reinforcement learning, Nature 518 — Deep-Q-Netz für Atari, 6.1.

Neuronale Netze, Deep Learning & NLP (Kap. 7)#

• Rosenblatt, F. (1958): The Perceptron, Psychological Review 65 — das Perzeptron, 7.1.
• Rumelhart, Hinton & Williams (1986): Learning representations by back-propagating errors, Nature 323 — Backpropagation, 7.1.
• Zeiler & Fergus (2014): Visualizing and Understanding Convolutional Networks, arXiv:1311.2901 (ECCV 2014) — gelernte Filter als Kantendetektoren, 7.2.
• Mikolov et al. (2013): Efficient Estimation of Word Representations in Vector Space, arXiv:1301.3781 — word2vec, 7.3.
• Levy & Goldberg (2014): Neural Word Embedding as Implicit Matrix Factorization, NIPS 27 — word2vec als Matrixfaktorisierung, 7.3.
• Vaswani et al. (2017): Attention Is All You Need, arXiv:1706.03762 — der Transformer, 7.3.

Werkzeuge, Demos & Bibliotheken#

• scikit-learn — der ML-Stack des gesamten Praxisteils (Kap. 3, 5, 7), zusammen mit NumPy, pandas, Matplotlib und Seaborn.
• aima-python — Referenzcode zu Russell & Norvig, 2.2.
• PathFinding.js und n-Puzzle-Demo (Tristan Penman) — Gitter-Suche, 2.1 / 2.2.
• MiniZinc Playground — Constraint-Modellierung, 2.4.
• CAMEL (camel-ai) — Multi-Agenten-Demo, 1.2.
• TensorFlow Playground — neuronale Netze im Browser, 7.1.
• ConvNetJS — Deep Learning im Browser, 7.2.
• TensorFlow Embedding Projector und BertViz — Embeddings bzw. Attention visualisiert, 7.3.
• Gymnasium (Farama) — RL-Umgebungen, 6.1.
• SPMF — Data-Mining-Bibliothek, 5.2.
• 3Blue1Brown: Neural Networks — geometrische Anschauung, 7.1.
• Weitere im Modul genannte Klick-Werkzeuge (Weka, KNIME, Orange, Choco, OR-Tools, LM Studio/Ollama, Wolfram Alpha) sind auf den jeweiligen Themenseiten erwähnt, wo sie auftauchen.

Vorlesungsmaterial#

Grundlage des gesamten ePortfolios sind die Vorlesungs-Foliensätze und die Übungsblätter des Moduls Methoden der Künstlichen Intelligenz. Sie werden auf jeder Themenseite konkret benannt (mit Dateinamen) und im Frontmatter geführt; eine Übersicht aller bearbeiteten Aufgabenblätter gibt es unter Übungen. Die Aufgabenstellung des ePortfolios selbst liegt unter crawl/assets/MKI-ePortfolio.pdf.