Überblick über den Lehrplan

Shatranj.ai-Lehrplan — AI Curriculum Based on Historic Board Games for Youth Development

Shatranj.ai ist ein Vorrangiges Erbe, Bauen und Experimentieren KI-Lehrplan. Wir lernen moderne KI, indem wir die intellektuellen Werkzeuge wieder aufbauen, die die menschliche Entscheidungsfindung über Jahrhunderte hinweg geprägt haben: historische Brettspiele. Diese Spiele verbreiteten sich über Sprachen und Zivilisationen hinweg und trugen Muster der Logik, Ethik und Kreativität in sich. Heute bilden sie eines der deutlichsten Labore für das Verständnis künstlicher Intelligenz - denn jede Bewegung ist messbar, Jede Entscheidung ist erklärbar, und jeder Algorithmus hinterlässt eine Spur, die man überprüfen kann.

Historische Rätselstrecke (Kernstudien und Quellen): Im Rahmen des Lehrplans beschäftigen wir uns mit einer Reihe von historischen Rätseln und Endspielstudien: Pferd Tour (Rittertour), Acht Königinnen, die Weizen und Schachbrett Exponentialwachstumsrätsel, klassische Paarungsstudien (einschließlich Dilaram und frühe handschriftliche Schachmattstellungen), und Suli's Diamant. Unsere Rekonstruktionen und Rätselerzählungen stammen aus zwei grundlegenden historischen Schachbüchern: Libro del Acedrez und Kitab ash-Shatranj-zwei der wichtigsten Quellen für das kulturelle und geistige Erbe von Schach und Shatranj.

Dieser Lehrplan geht jenseits von Schach. Sie werden mehrere historische Brettspiele nachspielen und analysieren, wie z. B. 3-Stein, 9-Stein, Mancala, die Königliches Spiel von Ur, und Damespiel, sowie die reichhaltigeren strategischen Systeme von Qirkat und Shatranj. Das Ziel ist es, KI als übertragbares Gedankengut, und nicht etwas, das an ein einziges Spiel gebunden ist.

Meilensteine der KI durch Schachsoftware: Wir zeichnen explizit die wichtigsten Systeme nach und zeigen, was jedes einzelne die Welt über “maschinelle Intelligenz” gelehrt hat: Der Türke, Tiefblau, AlphaZero, und Stockfisch. Die Lernenden sehen, wie Suche, Bewertung, technische Zwänge (Chips, Speicher, Geschwindigkeit), und moderne lernbasierte Methoden prägten die Entwicklung von Schachsoftware und KI.

Für wen dieser Lehrplan gedacht ist

• Studenten: Lernen Sie KI, indem Sie Systeme aufbauen, die Sie erklären, messen und verbessern können.
• Lehrerinnen und Lehrer: ein modularer Kurs, den Sie als vollständige Sequenz oder als einzelne Einheiten unterrichten können.
• Schulen und Institutionen: ein kulturell reichhaltiges AI-Angebot für Clubs, Wahlfächer, Bootcamps und interdisziplinäre Programme.

Was Sie tun können

• Build board-game environments and implement legale Umzugsgenerierung.
• Implement classical AI search (DFS, BFS, UCS, A*, minimax, alpha-beta).
• Use dynamische Programmierung to solve a historic endgame study.
• Understand how modern chess engines work (Repräsentation → Movegen → Suche → Auswertung).
• Implement reinforcement learning from tabellarisches Q-Learning zu tiefe Q-Netze und MCTS.
• Understand AlphaZero-Stil Pipelines (Politik/Wertnetze + PUCT + Selbstspiel).

Karte des Lehrplans (25 Lektionen, unterteilt in 9 Abschnitte)

Abschnitt 1 - Grundlagen & Python-Grundlagen (Lektionen 1-6)
Lektion 1: Kursumfang und Prioritäten
Lektion 2: Einführung in das Rechnen & Python-Setup
Lektion 3: Python-Datentypen
Lektion 4: Konditionale, Schleifen, Kontrollfluss
Lektion 5: Funktionen, Umfang, Parameter
Lektion 6: Dateien, Ausnahmen, Bibliotheken, Testen

Abschnitt 2 - Objektorientierte Programmierung und Modellierung von Brettspielen (Lektion 7)
Lektion 7: OOP, Klassen, TicTacToe

Abschnitt 3 - Schachliche Grundlagen & Engine Code (Lektionen 8-9)
Lektion 8: Schach & Shatranj Brettdarstellung
Lektion 9: Figurenbewegung, Aktualisierung des Spielzustands und Endbedingungen

Abschnitt 4 - Klassische und kontradiktorische Suchalgorithmen (Lektionen 10-11)
Lektion 10: Suchprobleme und Graphentransversal (DFS, BFS, UCS)
Lektion 11: Heuristische Suche und kontradiktorische Spielbäume (A*, minimax, expectiminimax, alpha-beta)

Abschnitt 5 - Lösung antiker Schachrätsel mit KI-Algorithmen (Lektionen 12-15)
Lektion 12: Pferdetour (Rittertour)
Lektion 13: Puzzle der acht Königinnen
Lektion 14: Weizen und Schachbrettproblem (exponentielles Wachstum + Rätselmathematik)
Lektion 15: Minimax, Alpha-Beta, Schachmattlogik (mit historischen Schachmatten und Quellen)

Abschnitt 6 - Dynamische Programmierung (Lektion 16)
Lektion 16: Sulis Diamant (Historische Endspielstudie)

Abschnitt 7 - Die verflochtene Geschichte von KI und moderner Schachsoftware (Lektion 17)
Lektion 17: Stockfish als moderne KI-Schach-Software (Motorenarchitektur, moderne Suche/Evaluierung und Anpassung von Motoren an historische Varianten wie Shatranj)

Abschnitt 8 - Verstärkungslernen (Lektionen 18-22)
Lektion 18: RL-Grundlagen (Gridworld, dynamische Programmierung, Komplexität)
Lektion 19: Tabellarisches Q-Learning auf FrozenLake (Frozen Rook)
Lektion 20: Zwei Haken gegen einsamen König (TD Q-learning)
Lektion 21: Tiefe Q-Netze (Connect-4, Fox & Hounds, Othello/Reversi)
Lektion 22: Monte Carlo Rollouts und MCTS auf Qirkat

Abschnitt 9 - AlphaZero (Lektionen 23-25)
Lektion 23: AlphaZero über Othello/Reversi (Politik/Wertnetze + PUCT + Selbstspiel)
Lektion 24: AlphaZero auf Qirkat (PUCT, Politik/Wertnetze, Selbstspiel; pfadabhängige Zugkodierung)
Lektion 25: Türkisches Dame-Spiel (Dama): Alpha-Beta, PUCT-geführte MCTS, AlphaZero-Vergleiche

Wie man anfängt. If you are new to Python, begin with Lessons 1–6. If you already code, start at Lessons 8–11 to enter engine-building and search. Educators can teach section-by-section as independent units or deliver the full 25-lesson pathway.

To access the lessons, create a free account and log in to our learning management system: lms.shatranj.ai