Artificial Intelligence: Principles, Applications and SeminarModule description #40530 / Version 1
- 9 CP
- Portfolio examination
- Graded
- Winter semester
- German
This module description is not valid in the current semester (Winter semester 2026/27).
Current version (v5)
| Module / Version | #40530 / #1 |
|---|---|
| Validity | WS 2013/14 – WS 2015/16 |
| Available language(s) | German |
| Credit points | 9 |
| Person responsible for the module | Opper, Manfred |
| Grading | Graded |
| Exam format | Portfolio examination |
| Language(s) of instruction | German |
Affiliation
| Faculty | Fakultät IV |
|---|---|
| Institute | Institut für Telekommunikationssysteme |
| Academic chair | 34335700 FG S-Professur Service Centric Networking (SNET) |
Contact
| Office | BH-N SNET |
|---|---|
| Contact person | Fricke, Stefan |
| E-mail address | stefan.fricke@tu-berlin.de |
| Website | https://www.tu.berlin/snet/studium-lehre |
Learning outcomes
Die Studierenden sind in der Lage, die Leistungsfähigkeit der besprochenen Verfahren einzuschätzen und sie auf Probleme in den Anwendungsdomänen erfolgreich einzusetzen.
Das Modul vermittelt überwiegend:
Fachkompetenz: 30x, Methodenkompetenz: 40x, Systemkompetenz: 20x, Sozialkompetenz:10x
Das Modul vermittelt überwiegend:
Fachkompetenz: 30x, Methodenkompetenz: 40x, Systemkompetenz: 20x, Sozialkompetenz:10x
Content
* Repräsentation von Wissen und Problemen: Prädikatenlogik, Nichtmonotone Logiken, Suchprobleme, Constraint Satisfaction Problems, Planungsprobleme.
* Problemlösen durch Suche: blinde Suche, informierte Suche, Heuristiken, local search, Constraintpropagierung.
* Planen: STRIPS-Formalismus, Vorwärts- und Rückwärtsverkettung, partial order planning.
* Methoden des Schliessens / Inferenz: Resolution, Unifikation, Schliessen bei unvollständigem und unsicherem Wissen, nichtmonotones Schliessen. Maschinelles Lernen: Entscheidungsbäume, Funktionslernen, Perzeptron, Neuronale Netze, Support Vector
Maschinen.
* Seminar: Über aktuelle Themen auf dem Gebiet der Künstlichen Intelligenz
* Problemlösen durch Suche: blinde Suche, informierte Suche, Heuristiken, local search, Constraintpropagierung.
* Planen: STRIPS-Formalismus, Vorwärts- und Rückwärtsverkettung, partial order planning.
* Methoden des Schliessens / Inferenz: Resolution, Unifikation, Schliessen bei unvollständigem und unsicherem Wissen, nichtmonotones Schliessen. Maschinelles Lernen: Entscheidungsbäume, Funktionslernen, Perzeptron, Neuronale Netze, Support Vector
Maschinen.
* Seminar: Über aktuelle Themen auf dem Gebiet der Künstlichen Intelligenz
Module components
Compulsory area
The following courses are mandatory for this module:
| Courses | Type | Number | Frequency | Language | Hours per week | Course catalog |
|---|---|---|---|---|---|---|
| Anwendungen der Künstlichen Intelligenz | Seminar | 3435 L715 | Winter semester | – | 2 | ISIS |
| Künstliche Intelligenz: Grundlagen und Anwendungen | Lecture | 3435 L701 | Winter semester | – | 2 | WS 2026/27 (1) ISIS |
| Künstliche Intelligenz: Grundlagen und Anwendungen | Exercise | 3435 L701 | Winter semester | – | 2 | WS 2026/27 (1) ISIS |
Courses in the course catalog
Courses created from the teaching units of this module.
Winter semester 2026/27 (2)
Künstliche Intelligenz: Grundlagen und Anwendungen (Lecture) 1
- Künstliche Intelligenz: Grundlagen und Anwendungen (Vorlesung) 1. Termingruppe 3435 L 701
Künstliche Intelligenz: Grundlagen und Anwendungen (Exercise) 1
- Künstliche Intelligenz: Grundlagen und Anwendungen (Übung) 1. Termingruppe 3435 L 701
Workload and credit points
Anwendungen der Künstlichen Intelligenz (Seminar)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 4 h | 60 h |
| 90 h | |||
Künstliche Intelligenz: Grundlagen und Anwendungen (Lecture)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 2 h | 30 h |
| 60 h | |||
Künstliche Intelligenz: Grundlagen und Anwendungen (Exercise)
| Workload description | Multiplier | Hours | Total |
|---|---|---|---|
| Präsenzzeit | 15 | 2 h | 30 h |
| Vor-/Nachbereitung | 15 | 6 h | 90 h |
| 120 h | |||
The workload of the module adds up to 270 hours. The module therefore comprises 9 credit points.
Description of teaching and learning methods
Vorlesung: Frontalunterricht zur Vermittlung des Stoffes.
Übung: Vertiefung und Erläuterung des Stoffes an Beispielen. Bearbeitung von Übungsaufgaben
(darunter kleine Programmieraufgaben) in Kleingruppen.
Seminar mit begrenzter Teilnehmerzahl
Übung: Vertiefung und Erläuterung des Stoffes an Beispielen. Bearbeitung von Übungsaufgaben
(darunter kleine Programmieraufgaben) in Kleingruppen.
Seminar mit begrenzter Teilnehmerzahl
Requirements for participation and examination
Desirable prerequisites for participation in the courses:
Vorausgesetzt werden Grundkenntnisse in Mathematik (Lineare Algebra, Analysis, Stochastik) und
Informatik (Logik, Datenstrukturen (insbesondere Bäume), Grundlagen der Komplexitätstheorie). Im
Bachelor-Studiengang Informatik werden diese in den Vorlesungen MPGI 1-2, TheGI 2-3, Lineare
Algebra für Ingenieure, Analysis I + II für Ingenieure und Stochastik für Informatiker vermittelt. Im
Bachelor-Studiengang Technische Informatik können diese durch die Vorlesungen MPGI 1-2, TheGI für TI, Lineare Algebra für Ingenieure und Analysis I + II für Ingenieure ersetzt werden.
Informatik (Logik, Datenstrukturen (insbesondere Bäume), Grundlagen der Komplexitätstheorie). Im
Bachelor-Studiengang Informatik werden diese in den Vorlesungen MPGI 1-2, TheGI 2-3, Lineare
Algebra für Ingenieure, Analysis I + II für Ingenieure und Stochastik für Informatiker vermittelt. Im
Bachelor-Studiengang Technische Informatik können diese durch die Vorlesungen MPGI 1-2, TheGI für TI, Lineare Algebra für Ingenieure und Analysis I + II für Ingenieure ersetzt werden.
Mandatory requirements for the module examination registration:
This module has no examination requirements.
Completion of the module
| Grading | Graded |
|---|---|
| Exam format | Portfolio examination |
| Language | German |
Test elements
| Name | Points/Weight | Category | Duration/Extent |
|---|---|---|---|
| Schriftlicher Test "Probabilistische KI" | 33 | ||
| Schriftlicher Test "Symbolische KI" | 33 | ||
| Seminarvortrag | 34 |
Exam description
Die Gesamtnote gemäß § 47 (2) AllgStuPO wird nach dem Notenschlüssel 2 der Fakultät IV ermittelt.
Duration of the module
The following number of semesters is estimated for taking and completing the module: 1 semester(s).
This module can be started in the following semesters: Winter semester.
Maximum number of participants
The maximum capacity of participants is 30.
Registration procedures
Die Anmeldung zur Lehrveranstaltung erfolgt über die ISIS-Seite. Dies ersetzt nicht die Prüfungsanmeldung beim Prüfungsamt, bzw. in QISPOS.
Recommended reading, lecture notes
Lecture notes
unavailable
Electronic lecture notes
available – Die Folien zur Lehrveranstaltung werden in ISIS zur Verfügung gestellt.
Recommended literature
- S. Russell, P. Norvig Artificial Intelligence: A Modern Approach Prentice Hall, 2003
Assigned programs
This module is not used in any program.
Andere Studiengänge nach Absprache mit dem jeweiligen Prüfungssekretariat.
Miscellaneous
Not specified