move AI material from MUG_SWG_SG upto 11

6 files changed, 301 insertions, 0 deletions

diff --git a/Info/11/4/Aufgaben/color_cube.png b/Info/11/4/Aufgaben/color_cube.png
new file mode 120000
index 00000000..74cfdb9b
--- /dev/null
+++ b/Info/11/4/Aufgaben/color_cube.png
@@ -0,0 +1 @@
+Copyrighted/color_cube.png
\ No newline at end of file
diff --git a/Info/11/4/Aufgaben/farblerner.tex b/Info/11/4/Aufgaben/farblerner.tex
new file mode 100644
index 00000000..7b0a3bc0
--- /dev/null
+++ b/Info/11/4/Aufgaben/farblerner.tex
@@ -0,0 +1,124 @@
+%% KI-Farblerner
+%%% Einordnung KI Verfahren 2 BE
+%%% Abstandsbestimmungen 2 BE
+%%% Bedeutung von k bei Farben 2 BE
+%%% Vor und Nachteile von KNN 2 BE
+%%% Tabelle mit Abständen Bestimmung des k 3 BE
+\definecolor{mywhite}{rgb}{1, 1, 1}
+\definecolor{myblack}{rgb}{0, 0, 0}
+\definecolor{myred}{rgb}{1, 0, 0}
+\definecolor{mygreen}{rgb}{0, 1, 0}
+\definecolor{myblue}{rgb}{0, 0, 1}
+\definecolor{mytuerkis}{rgb}{0, 1, 1}
+\definecolor{mymagenta}{rgb}{1, 0, 1}
+\definecolor{myyellow}{rgb}{1, 1, 0}
+\definecolor{mycolor}{RGB}{100, 10, 180}
+\begin{Aufg}[Farblerner]
+Um Kinder beim Lernen von Farbnamen zu unterstützen, soll ein System erstellt werden, das zu einer zufälligen Farbe die passendste bereits bekannte Farbbezeichnung zuordnet.
+Farben werden dabei durch ihren Anteil an \boldred{R}ot, \boldred{G}rün und \boldred{B}lau jeweils mit einem Byte (Werten zwischen 0 und 255) gespeichert.
+Die Farben bilden einen dreidimensionalen Farbraum, in dem jede Farbe genau einem Punkt entspricht.
+
+\begin{tabular}{p{0.5\textwidth} p{0.5\textwidth}}
+\includegraphics[keepaspectratio, width=0.45\textwidth]{Aufgaben/color_cube.png} &
+\vspace{-5cm}
+\textbf{Gelernte Farbennamen:}\vspace{0.2cm}\newline
+\begin{tabular}{c | c | c | c | c}
+weiß & 255 & 255 & 255 & \textcolor{mywhite}{\rule{0.5cm}{0.5cm}} \\
+\hline
+schwarz & 0 & 0 & 0 & \textcolor{myblack}{\rule{0.5cm}{0.5cm}} \\
+\hline
+rot & 255 & 0 & 0 & \textcolor{myred}{\rule{0.5cm}{0.5cm}} \\
+\hline
+grün & 0 & 255 & 0 & \textcolor{mygreen}{\rule{0.5cm}{0.5cm}} \\
+\hline
+blau & 0 & 0 & 255 & \textcolor{myblue}{\rule{0.5cm}{0.5cm}} \\
+\hline
+türkis & 0 & 255 & 255 & \textcolor{mytuerkis}{\rule{0.5cm}{0.5cm}} \\
+\hline
+magenta & 255 & 0 & 255 & \textcolor{mymagenta}{\rule{0.5cm}{0.5cm}} \\
+\hline
+gelb & 255 & 255 & 0& \textcolor{myyellow}{\rule{0.5cm}{0.5cm}} \\
+\end{tabular}\\
+\end{tabular}
+\begin{enumerate}[a)]
+\item Gib den allgemeinen Ansatz sowie die Art des KI-Verfahrens der Klassifikation von Daten mit einem k-Nächste-Nachbarn-Verfahren an.
+\iflehrer{}{\\ \liniert{6}}
+\item Bestimme den Manhatten-Abstand zum nächsten Nachbarn der zufälligen Farbe (100, 10, 180) \textcolor{mycolor}{\rule{0.5cm}{0.5cm}} und gib den dadurch vorgeschlagenen Farbnamen an.
+\iflehrer{}{\\ \liniert{2}}
+\item Gib den in der Situation verwendeten Wert für $k$ an und beschreibe den allgemeinen Einfluss von $k$ auf die Ergebnisse des $k$-Nächste-Nachbarn-Verfahrens.
+\iflehrer{}{\\ \liniert{5}\clearpage}
+\item Gib je zwei Vor-/ und Nachteile des $k$-Nächste-Nachbarn-Verfahrens an.
+\iflehrer{}{\\ \liniert{4}}
+\item Das Programm wurde mit weiteren Datenpunkten und Farbbezeichnungen erweitert.
+Außerdem wird eine Farbbezeichnung jetzt mit einem Mehrheits-Votum der Nachbarn bestimmt.
+Der folgende Ausschnitt zeigt zur Vereinfachung nur die zwei Farbdimensionen Rot und Blau. 
+Bestimme nachvollziehbar das gewählte \textbf{$k$} für die in der Tabelle dargestellte Entscheidung der neuen Farbe (150, 160).
+
+\definecolor{clr1}{RGB}{190, 0, 80}
+\definecolor{clr2}{RGB}{80, 0, 170}
+\definecolor{clr3}{RGB}{60, 0, 200}
+\definecolor{clr4}{RGB}{190, 0, 90}
+\definecolor{clr5}{RGB}{200, 0, 150}
+\definecolor{clr6}{RGB}{160, 0, 210}
+\definecolor{clr7}{RGB}{140, 0, 100}
+\definecolor{clrx}{RGB}{150, 0, 160}
+
+\begin{tabular}{p{0.5\textwidth} p{0.5\textwidth}}
+\hspace{-1cm}\begin{tikzpicture}
+  \begin{axis}[
+    xmin=50,xmax=210,
+    ymin=70,ymax=220,
+    enlargelimits=false
+  ]
+  \addplot[mark=x, clr7] (140, 100);
+  \addplot[mark=x, clr1] (190, 80);
+  \addplot[mark=x, color=clr2] (80, 170);
+  \addplot[mark=x, color=clr3] (60, 200);
+  \addplot[mark=x, color=clr4] (190, 90);
+  \addplot[mark=x, color=clr5] (200, 150);
+  \addplot[mark=x, color=clr6] (160, 210);
+  \addplot[mark=o, color=clrx] (150, 160);
+  \end{axis}
+\end{tikzpicture} &
+\vspace{-6cm}
+\begin{tabular}{c | c | c | c}
+rot & 140 & 100 & \textcolor{clr7}{\rule{0.5cm}{0.5cm}} \\
+\hline
+rot & 190 & 80 & \textcolor{clr1}{\rule{0.5cm}{0.5cm}} \\
+\hline
+rot & 190 & 90 & \textcolor{clr4}{\rule{0.5cm}{0.5cm}} \\
+\hline
+blau & 80 & 170 & \textcolor{clr2}{\rule{0.5cm}{0.5cm}} \\
+\hline
+blau & 60 &  200 & \textcolor{clr3}{\rule{0.5cm}{0.5cm}} \\
+\hline
+lila & 200 & 150 & \textcolor{clr5}{\rule{0.5cm}{0.5cm}} \\
+\hline
+lila & 160 & 210 & \textcolor{clr6}{\rule{0.5cm}{0.5cm}} \\
+\hline
+\textbf{\underline{\textcolor{red!80!black}{rot}}} & 150 & 160 & \textcolor{clrx}{\rule{0.5cm}{0.5cm}} \\
+\end{tabular}\\
+\end{tabular}
+\end{enumerate}
+\end{Aufg}
+
+\begin{Lsg}
+\begin{enumerate}[a)]
+\item Ein datenbasiertes\Point Verfahren das dem überwachten Lernen\Point zugeordnet werden kann.
+\item d = $\abs{r_2 - r_1} + \abs{b_2 - b_1}\Halfpoint + \abs{g_2 - g_1}\Halfpoint = \abs{0 - 100} + \abs{0 - 10} + \abs{255 - 180} = 185\Halfpoint \rightarrow$ Blau\Halfpoint
+\item Es wird nur der nächste Nachbar betrachtet $\rightarrow k = 1$\Point.
+Für ein klein gewähltes $k$ besteht die Gefahr, dass Rauschen in den Trainingsdaten die Klassifikationsergebnisse auf den Testdaten verschlechtert.\Halfpoint
+Wird $k$ zu groß gewählt, besteht die Gefahr, Punkte mit großem Abstand zu $x$ in die Klassifikationsentscheidung mit einzubeziehen. \Halfpoint
+\item Vorteile: Kein Trainingszeit\Halfpoint, Leicht zu programmieren\Halfpoint, (einfaches Modell\HalfpointSymbol) \\
+Nachteile: Lange Klassifikationszeit\Halfpoint, Bestimmung von $k$\Halfpoint, (Normierung\HalfpointSymbol) \\
+\item 
+   $d = \abs{140-150} + \abs{100-160} = 70$ \\
+   $d = \abs{190-150} + \abs{80-160} = 120$ \\
+   $d = \abs{80-150}  + \abs{170-160} = 80$ \\
+   $d = \abs{60-150}  + \abs{200-160} = 130$ \\
+   $d = \abs{190-150} + \abs{90-160} = 110$ \\
+   $d = \abs{200-150} + \abs{150-160} = 60$ \\
+   $d = \abs{160-150} + \abs{210-160} = 60$\Point (Alternativ mit Lineal) \\
+   $k=6$\Point Damit rot die Mehrheit ist\Point \\
+\end{enumerate}
+\end{Lsg}
diff --git a/Info/11/4/Intro/img/alan_turing.jpg b/Info/11/4/Intro/img/alan_turing.jpg
new file mode 100644
index 00000000..6d884a3c
--- /dev/null
+++ b/Info/11/4/Intro/img/alan_turing.jpg
diff --git a/Info/11/4/Intro/slides.md b/Info/11/4/Intro/slides.md
new file mode 100644
index 00000000..659b13f1
--- /dev/null
+++ b/Info/11/4/Intro/slides.md
@@ -0,0 +1,72 @@
+---
+author: Florian Fischer
+theme: metropolis
+aspectratio: 169
+---
+
+## Wiederholung
+
+1. Nenne mindestens eine gesellschaftliche und private Chance des Internets.
+2. Nenne mindestens ein gesellschaftliches und privates Risiko des Internets.
+    1. Nenne zu deinen Beispielen mindestens eine Gegenmaßnahme.
+3. Beschreibe den unterschied zwischen Datenschutz und Datensicherheit.
+
+## {.standout}
+
+> „Bei künstlicher Intelligenz geht es darum, Maschinen zu entwickeln, die sich in einer Weise verhalten, die man beiMenschen als intelligent bezeichnen würde“ - John McCarthy (1955)
+
+## {.standout}
+
+> KI sind „Programme, die es ermöglichen, wahrzunehmen, logisch zu schließen und zu agieren.“ - Patrick H. Winston (1992)
+
+## {.standout}
+
+> „KI ist die Entwicklung mentaler Fähigkeiten durch die Nutzung von Computermodellen.“ - Eugene Charniak ‚und Drew McDermott (1985)
+
+## {.standout}
+
+> „KI ist die Automatisierung von Aktivitäten, die wir dem menschlichen Denken zuordnen, Aktivitäten wie beispielsweise Entscheidungsfindung, Problemlösung, Lernen [...]“ — Richard Bellman (1978)
+
+## {.standout}
+
+> „KI ist die Wissenschaft, die der Frage nachgeht, wie man Computer dazu bringen kann, Dinge zu tun, bei denen ihnen ‚momentan der Mensch noch überlegen ist.” — Elaine Rich und Kevin Knight (1991)
+
+## \only<1>{Weiter gehts!}\only<3>{Ich bin keine Katze!}\only<4>{Ich bin keine Roboter!}
+
+`\only<2->{`{=latex}
+\vspace{-0.5cm}
+![](img/Copyrighted/google-captcha-images.png){.center height=95%}
+`}`{=latex}
+
+## CAPTCHA
+
+### \faIcon{lightbulb} Was heißt das eigentlich?
+\pause
+**c**ompletely **a**utomated **p**ublic **T**uring test to tell **c**omputers and **h**umans **a**part
+
+\pause
+### Alan Turing
+::: {.columns}
+:::: {.column width=50%}
+* Manchen eventuell bekannt aus *The Imitation Game* oder dem Klassenzimmer.
+* Britischer Mathematiker, Kryptoanalytiker und Informatiker
+::::
+
+:::: {.column width=50%}
+\vspace{-0.8cm}
+![](img/alan_turing.jpg){.center height=75%}
+::::
+:::
+
+## Turing Test
+
+::: {.columns align=center}
+:::: {.column width=50%}
+![Klassischer Turing Test](img/Copyrighted/turing_test.png)
+::::
+
+:::: {.column width=50%}
+\large
+Der Turing-Test beschreibt ein Verfahren, bei der ein Computerprogramm so agieren muss, dass es für eine Fragen stellende Person nicht von einem echten Menschen unterscheidbar ist.
+::::
+:::
diff --git a/Info/11/4/KI_Klassifikation_Hefteintrag.pdf b/Info/11/4/KI_Klassifikation_Hefteintrag.pdf
new file mode 100644
index 00000000..567960fc
--- /dev/null
+++ b/Info/11/4/KI_Klassifikation_Hefteintrag.pdf
diff --git a/Info/11/4/Perzeptron/handout.tex b/Info/11/4/Perzeptron/handout.tex
new file mode 100644
index 00000000..f75c1cae
--- /dev/null
+++ b/Info/11/4/Perzeptron/handout.tex
@@ -0,0 +1,104 @@
+\documentclass{handout}
+\csname endofdump\endcsname
+
+\title{Das Perzeptron}
+
+\begin{document}
+\thispagestyle{empty}
+\makedate
+
+Ein lernfähiges Neuron wird auch \pgap{\huge \boldred{Perzeptron}} genannt.
+
+\begin{defbox}{Wie lernt ein Neuron?}
+Anfangs zufällig gewählte Gewichte, sowie der Schwellenwert werden Schritt für Schritt durch die \pgap{\huge \boldred{Deltalernregel}} korrigiert.
+
+\[ \psolution{\huge w_{neu} = w_{alt} + \textcolor{green}{\alpha} \cdot (\textcolor{magenta}{\text{Label} - \text{berechnetes Ergebnis}}) \cdot \textcolor{orange}{\text{Eingabe}}} \]
+
+\iflehrer{}{\vspace{3cm}}
+
+\[ \psolution{\huge s_{neu} = s_{alt} - \textcolor{green}{\alpha} \cdot (\textcolor{magenta}{\text{Label} - \text{berechnetes Ergebnis}}) \cdot \textcolor{orange}{1}} \]
+\end{defbox}
+
+\begin{tabular}{|p{0.3\textwidth} | p{0.65\textwidth} |}
+\hline
+  \vspace{0.1cm}
+  \hspace{0.8cm}
+  \begin{tikzpicture}
+  \node[circle, minimum size = 1cm, draw] (KN) {};
+  \node[circle, inner sep=0pt, minimum size = 2pt, fill, above left=of KN] (x1) {};
+  \node[circle, inner sep=0pt, minimum size = 2pt, fill, below left=of KN] (x2) {};
+  \node[circle, inner sep=0pt, minimum size = 2pt, fill, below=of KN] (s) {};
+  \draw[-Triangle] (s) -- (KN);
+  \node[right=of KN] (o) {};
+  \draw[-Triangle] (KN) -- (o);
+
+  \draw[-Triangle] (x1) edge[above] node[xshift=0.2cm] {-1} (KN);
+  \draw[-Triangle] (x2) edge[below] node {2} (KN);
+
+  \node[below=0.1cm of s] {4};
+  \node[left=0.1cm of x1] {3};
+  \node[left=0.1cm of x2] {2};
+  \end{tikzpicture}
+
+  \solution{\huge $3 \cdot (-1) + 2 \cdot 2 - 4 = -3$ \newline
+  $-3 < 0 \Rightarrow 0$}
+& \vspace{0.1cm}
+Für ein gegebenes Perzeptron ist bekannt, dass es für die Werte \newline $x_1$ = 3, $x_2 = 2$ den Wert 0 liefern soll.
+Dieser Wert wird bei den gegebenen Gewichten auch berechnet.
+Die Formeln liefern dieselben Gewichte wie zuvor; die Gewichte werden also nicht angepasst.  \vspace{0.3cm}\newline
+$w_{1neu} = $ \solution{$-1 + 0,1 \cdot (0 - 0) \cdot 3 = -1 + 0 = -1$} \vspace{0.3cm}\newline
+$w_{2neu} = $\solution{$2 + 0,1 \cdot (0 - 0) \cdot 2 = 2 + 0 = 2$} \vspace{0.3cm}\newline
+$s_{neu} = $\solution{$4 - 0,1 \cdot (0 - 0) \cdot 1 = 4 + 0 = 4$} \\
+\hline
+  \vspace{0.1cm}
+  \hspace{0.8cm}
+  \begin{tikzpicture}
+  \node[circle, minimum size = 1cm, draw] (KN) {};
+  \node[circle, inner sep=0pt, minimum size = 2pt, fill, above left=of KN] (x1) {};
+  \node[circle, inner sep=0pt, minimum size = 2pt, fill, below left=of KN] (x2) {};
+  \node[circle, inner sep=0pt, minimum size = 2pt, fill, below=of KN] (s) {};
+  \draw[-Triangle] (s) -- (KN);
+  \node[right=of KN] (o) {};
+  \draw[-Triangle] (KN) -- (o);
+
+  \draw[-Triangle] (x1) edge[above] node[xshift=0.2cm] {-1} (KN);
+  \draw[-Triangle] (x2) edge[below] node {2} (KN);
+
+  \node[below=0.1cm of s] {4};
+  \node[left=0.1cm of x1] {4};
+  \node[left=0.1cm of x2] {3};
+  \end{tikzpicture}
+
+  \solution{\huge $4 \cdot (-1) + 3 \cdot 2 - 4 = -2$ \newline
+  $-2 < 0 \Rightarrow 0$}
+& \vspace{0.1cm} Außerdem ist bekannt, dass sich für $x_1 = 4$, $x_2 = 3$ der Wert 1 ergeben soll.
+Das Perzeptron ermittelt aber den Wert 0.
+Deshalb werden die Gewichte und der Schwellenwert in die passende Richtung korrigiert; die Stärke der Anpassung hängt vom Eingangswert ab. \vspace{0.3cm}\newline
+$w_{1neu} = $\solution{$-1 + 0,1 \cdot (1 - 0) \cdot 4 = -0,6$} \vspace{0.3cm}\newline
+$w_{2neu} = $\solution{$2 + 0,1 \cdot (1 - 0) \cdot 3 = 2,3$} \vspace{0.3cm}\newline
+$s_{neu} = $\solution{$4 - 0,1 \cdot (1 - 0) \cdot 1 = 3,9 $} \\
+\hline
+  \vspace{0.1cm}
+  \hspace{0.8cm}
+  \begin{tikzpicture}
+  \node[circle, minimum size = 1cm, draw] (KN) {};
+  \node[circle, inner sep=0pt, minimum size = 2pt, fill, above left=of KN] (x1) {};
+  \node[circle, inner sep=0pt, minimum size = 2pt, fill, below left=of KN] (x2) {};
+  \node[circle, inner sep=0pt, minimum size = 2pt, fill, below=of KN] (s) {};
+  \draw[-Triangle] (s) -- (KN);
+  \node[right=of KN] (o) {};
+  \draw[-Triangle] (KN) -- (o);
+
+  \draw[-Triangle] (x1) edge[above] node[xshift=0.2cm] {\solution{$-0,6$}} (KN);
+  \draw[-Triangle] (x2) edge[below] node {\solution{$2,3$}} (KN);
+
+  \node[below=0.1cm of s] {\solution{$3,9$}};
+  \node[left=0.1cm of x1] {$x_1$};
+  \node[left=0.1cm of x2] {$x_2$};
+  \end{tikzpicture}
+& \vspace{0.1cm}
+Für den nächsten Trainingsdatensatz werden die angepassten Gewichte verwendet.
+Durch viele weitere Berechnungsschritte nähern sich Gewichte und Schwellenwert den korrekten Werten an. \\
+\hline
+\end{tabular}
+\end{document}