{"id":195,"date":"2024-03-26T07:49:10","date_gmt":"2024-03-26T07:49:10","guid":{"rendered":"https:\/\/shatranj.ai\/?page_id=195"},"modified":"2026-02-27T03:28:27","modified_gmt":"2026-02-27T03:28:27","slug":"lehrplanthemen","status":"publish","type":"page","link":"https:\/\/shatranj.ai\/de\/lehrplanthemen\/","title":{"rendered":"Themen des Lehrplans"},"content":{"rendered":"
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Themen des Lehrplans<\/h1>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t
\n\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Der Lehrplan des Projekts Shatranj.ai ist zug\u00e4nglich \u00fcber lms.shatranj.ai<\/a><\/strong><\/p>

Im Folgenden finden Sie kurze Zusammenfassungen der Themen des Lehrplans.<\/p>

Lektion 1 - Kursumfang und Priorit\u00e4ten<\/h1>
  • Das Projekt Shatranj.AI, seine Erasmus+ Stiftungen, Partnerorganisationen und digitalen Plattformen werden vorgestellt.<\/li>
  • Projektvision, Erasmus KA2 Kontext<\/li>
  • Partnerinstitutionen und kulturelles Erbe im Mittelpunkt<\/li>
  • \u00dcberblick \u00fcber die Plattformen (Editor, LMS, Code-Tools)<\/li>
  • Rolle der Lehrkr\u00e4fte und Ergebnisse der Sch\u00fcler<\/li>
  • \u00dcbersicht \u00fcber die Struktur des Lehrplans<\/li>
  • Einf\u00fchrung in Python\/Jupyter<\/li><\/ul>

    Lektion 2 - Einf\u00fchrung in die Datenverarbeitung und Python-Setup<\/h1>
    • Die Teilnehmer lernen grundlegende Computerkonzepte kennen und richten Python\/Jupyter ein.<\/li>
    • CPU, RAM, I\/O-Grundlagen<\/li>
    • Bits, Bytes, bin\u00e4re Darstellung<\/li>
    • JupyterLab-Installation<\/li>
    • Erste Ausf\u00fchrung eines Python-Notebooks<\/li>
    • Variablen, einfache Ausdr\u00fccke<\/li>
    • Zugriff auf Drive-Ordner<\/li><\/ul>

      Lektion 3 - Python-Datentypen<\/h1>
      • Behandelt die in Python eingebauten Datentypen und Grundoperationen.<\/li>
      • Ganzzahlen, Gleitkommazahlen, Zeichenketten, Boolesche Werte<\/li>
      • Typumwandlung<\/li>
      • Verzeichnisse und Indexierung<\/li>
      • Konzepte der Wandlungsf\u00e4higkeit<\/li>
      • Schachfiguren-als-Saiten-\u00dcbungen<\/li><\/ul>

        Lektion 4 - Konditionale, Schleifen, Kontrollfluss<\/h1>
        • Einf\u00fchrung in Logik, Schleifen und interaktive Programme.<\/li>
        • If\/elif\/else-Logik<\/li>
        • Boolesche Operationen<\/li>
        • For\/While-Schleifen<\/li>
        • Pause\/Fortsetzen<\/li>
        • Einfache Eingabeprogramme<\/li><\/ul>

          Lektion 5 - Funktionen, Umfang, Parameter<\/h1>
          • Lehrt modularen Code mit Funktionen.<\/li>
          • Definieren von Funktionen<\/li>
          • Parameter und R\u00fcckgaben<\/li>
          • Lokaler\/globaler Geltungsbereich<\/li>
          • Lambdas<\/li>
          • Kleines funktionales Projekt (St\u00fcckwertrechner)<\/li><\/ul>

            Lektion 6 - Dateien, Ausnahmen, Bibliotheken, Testen<\/h1>
            • Arbeiten mit Dateien und robustem Code.<\/li>
            • Datei lesen\/schreiben<\/li>
            • Versuchen\/Ausnehmen<\/li>
            • Bibliotheken importieren<\/li>
            • Einfache Tests<\/li>
            • Behandlung ung\u00fcltiger Eingaben<\/li><\/ul>

              Lektion 7 - OOP, Klassen, TicTacToe<\/h1>
              • Erste Ber\u00fchrung mit OOP.<\/li>
              • Klassen und Objekte<\/li>
              • Attribute und Methoden<\/li>
              • Modellierung von Spielen<\/li>
              • TicTacToe-Implementierung<\/li>
              • Fehlersuche in OOP-Code<\/li><\/ul>

                Lektionen 8 - Schach & Shatranj Brettdarstellung<\/h1>
                • Brettvertretungen f\u00fcr Schach und Shatranj<\/li>
                • Koordinatensysteme und Indizierungsstrategien<\/li>
                • Interne Datenstrukturen f\u00fcr den Zustand der Karte<\/li>
                • UTF-8 und symbolisches Rendering von Teilen<\/li>
                • Integration mit Board-Editoren und Visualisierungstools<\/li><\/ul>

                  Lektion 9 - Bewegung von Spielfiguren, Aktualisierung des Spielstatus und Endbedingungen<\/h1>
                  • Regeln f\u00fcr die Bewegung von Figuren im Schach und Shatranj<\/li>
                  • Legale vs. pseudo-legale Zuggenerierung<\/li>
                  • Aktualisieren des Spielstatus nach einem Zug<\/li>
                  • Erkennung von Kontrollen und illegalen Selbstkontrollen<\/li>
                  • Erkennen von Endzust\u00e4nden: Schachmatt und Patt<\/li><\/ul>

                    Lektion 10 - Suchprobleme und Graphentransversal<\/h1>
                    • Formulierung des Suchproblems: Zust\u00e4nde, Aktionen, \u00dcberg\u00e4nge und Ziele<\/li>
                    • Zustandsraumgraphen und B\u00e4ume<\/li>
                    • Tiefenerste Suche (DFS)<\/li>
                    • Breadth-First-Suche (BFS)<\/li>
                    • Einheitskostensuche (UCS)<\/li>
                    • \u00dcbungen zur grafischen Aufzeichnung und Visualisierung<\/li>
                    • Einfache schach- und gitterbasierte Beispiele<\/li><\/ul>

                      Lektionen 11 - Heuristische Suche und kontradiktorische Spielb\u00e4ume<\/h1>
                      • Heuristische Funktionen und informierte Suche<\/li>
                      • Zul\u00e4ssigkeit und Koh\u00e4renz<\/li>
                      • A*-Suche<\/li>
                      • Adversarische Suche und Spielb\u00e4ume<\/li>
                      • Bewertungsfunktionen f\u00fcr Spielzust\u00e4nde<\/li>
                      • Minimax-Suche<\/li>
                      • Expectiminimax f\u00fcr stochastische und unsichere Umgebungen<\/li>
                      • Alpha-Beta-Bereinigung und Leistungsverbesserungen<\/li>
                      • Bewertungsfunktionen f\u00fcr Spielzust\u00e4nde<\/li>
                      • Schachbasierte gegnerische Beispiele<\/li><\/ul>

                        Lektion 12 - Pferdetour (Rittertour)<\/h1>
                        • Erforscht die Rittertour mit Rekursion und Heuristik.<\/li>
                        • Bewegung der Rittergrafik<\/li>
                        • Offene\/geschlossene Touren<\/li>
                        • R\u00fcckverfolgung mit DFS<\/li>
                        • Warnsdorff-Heuristik<\/li>
                        • Verbindung zum TSP<\/li><\/ul>

                          Lektion 13 - Puzzle der acht K\u00f6niginnen<\/h1>
                          • Constraint Satisfaction mit Backtracking.<\/li>
                          • Logik des K\u00f6nigsangriffs<\/li>
                          • Rekursive Suche<\/li>
                          • Optimierungsverfahren<\/li>
                          • Historische Referenzen der K\u00f6nigin<\/li>
                          • Notebook-Implementierungen<\/li><\/ul>

                            Lektion 14 - Weizen und Schachbrettproblem<\/h1>
                            • Mathematische R\u00e4tsel und exponentielles Wachstum.<\/li>
                            • Verdoppelung auf dem Schachbrett<\/li>
                            • Potenzen von 2<\/li>
                            • Sich bewegende R\u00e4tsel vom Typ Mount Fuji, die in Vorstellungsgespr\u00e4chen verwendet werden, angewandte mathematische R\u00e4tsel<\/li>
                            • Magische Quadrate<\/li>
                            • Smullyanische Logikr\u00e4tsel<\/li>
                            • Probleme mit Ritterkacheln und andere Probleme mit Kacheln auf dem Gitter<\/li><\/ul>

                              Lektion 15 - Minimax, Alpha-Beta, Schachmatt-Logik<\/h1>
                              • Tiefe kontradiktorische Suche und Schachendspiele.<\/li>
                              • Minimax-Berechnung<\/li>
                              • Alpha-Beta-Beschneidung<\/li>
                              • Widerspruch, Triangulation<\/li>
                              • Historische Quellen (Al-Adli, Reti)<\/li><\/ul>

                                Lektion 16 - Sulis Diamant (Historische Endspielstudie)<\/h1>
                                • Historische Schachendspielanalyse, Endspiel-Tablebases, dynamische Programmierung, Hashing<\/li>
                                • Al-Suli Lebenslauf<\/li>
                                • Rekonstruktion des Endspiels<\/li>
                                • Widerspruch und Triangulation<\/li>
                                • Theorie der korrespondierenden Quadrate<\/li>
                                • Dynamischer Programmiercode als L\u00f6sung f\u00fcr das 1000-j\u00e4hrige Dilemma in C\/C++<\/li>
                                • L\u00f6sungsinspektion bei play.shatranj.ai und auch \u00fcber Notebooks ascii boards<\/li><\/ul>

                                  Lektion 17 - Anpassung von Stockfish zum Spielen von Shatranj, Rybka-Deep Blue-Stockfish Story<\/h1>

                                  Untersucht, wie sich moderne Schachengines entwickelt haben und wie Open-Source-Engines an historische Varianten angepasst werden k\u00f6nnen.<\/p>

                                  • Deep Blue's Brute-Force-Hardware-Suche<\/li>
                                  • Rybka und der Aufstieg der auswertungszentrierten Engines<\/li>
                                  • Stockfish als offene, von der Gemeinschaft betriebene Maschine<\/li>
                                  • Wie Stockfish Figuren, Z\u00fcge und Regeln darstellt<\/li>
                                  • \u00c4nderung der St\u00fcckbewegung (ferz, wazir), Bewertung, Legalit\u00e4tsregeln<\/li>
                                  • Aufbau einer Shatranj-kompatiblen Suche und Auswertung<\/li><\/ul>

                                    Lektion 18 - Grundlagen des Reinforcement Learning: Gridworld, dynamische Programmierung und Komplexit\u00e4t<\/h1>

                                    F\u00fchrt in das Verst\u00e4rkungslernen (Reinforcement Learning, RL) ein, indem er eine kleine Gitterwelt l\u00f6st, wenn die Regeln genau bekannt sind, und zeigt dann, warum dieser \u201callwissende\u201d Ansatz bei gro\u00dfen Spielen wie Schach versagt.<\/p>

                                    • Akteur-Umwelt-Schleife; Zust\u00e4nde, Aktionen, Belohnungen, Episoden; Diskontierungsfaktor \u03b3.<\/li>
                                    • Politikbewertung (\u201cdriftender Roboter\u201d) und Wertiteration (\u201cSchatzsucher\u201d) unter Verwendung von Bellman-Backups.<\/li>
                                    • Visuelle Wertfortpflanzung und Ableitung einer optimalen Politik aus der Wertfunktion.<\/li>
                                    • Der Fluch der Dimensionalit\u00e4t: State-Space- vs. Game-Tree-Komplexit\u00e4t; Shannon-Zahl-Motivation.<\/li>
                                    • Historische \u201cRiesenspiele\u201d (z. B. Tamerlane-Schach, Go) als Kontext daf\u00fcr, warum Lernen notwendig ist.<\/li><\/ul>

                                      Lektion 19 - Der gefrorene Turm: Tabellarisches Q-Learning auf FrozenLake<\/h1>

                                      \u00dcbergang von der Planung zum Lernen: Der Agent beginnt ohne Karte und lernt eine Strategie durch Versuch und Irrtum mit Hilfe des tabellarischen Q-Learnings.<\/p>

                                      • Formulieren Sie FrozenLake\/Frozen Rook als ein MDP: S, A, R, P, Endzust\u00e4nde, \u03b3.<\/li>
                                      • Q-Learning-Aktualisierungsregel und \u03b5-Greedy-Exploration (Exploration\u2192Exploitation-Plan).<\/li>
                                      • Trainieren Sie einen Agenten im Gymnasium FrozenLake; vergleichen Sie deterministische und gleitende \u00dcberg\u00e4nge.<\/li>
                                      • Pr\u00fcfen Sie, was \u00fcber Q-Tabellen-Heatmaps\/Politikpfeile gelernt wurde; stimmen Sie \u03b1, \u03b3, \u03b5 und Episodenzahlen ab.<\/li>
                                      • Skalierungslektionen: sp\u00e4rliche Belohnungen, verz\u00f6gerte Gutschriften und warum gr\u00f6\u00dfere Karten schwieriger sind.<\/li><\/ul>

                                        Lektion 20 - Schachmatt mit zwei T\u00fcrmen gegen einsamen K\u00f6nig: Zeitdifferenzlernen in der Praxis<\/h1>

                                        Wendet Q-Learning auf ein kleines Schachendspiel an und macht die RL-Codebasis \u201creal\u201d, indem es das Experiment-Notebook von den Lern- und Trainingsmodulen trennt.<\/p>

                                        • Temporal-Difference (TD)-Lernen: Identifizierung des TD-Fehlers in der Q-Learning-Aktualisierung; warum TD-Aktualisierungen w\u00e4hrend des Spiels.<\/li>
                                        • Warum Monte-Carlo-Lernen f\u00fcr schach\u00e4hnliche Spiele mit verz\u00f6gerter Belohnung zu langsam ist.<\/li>
                                        • Engineering Stack: rl.py (Q-memory + TD update), trainer.py (episode loop, exploration schedule), notebook as the lab.<\/li>
                                        • Kodierung von Schachpositionen als maschinenlesbarer Zustand (FEN) und Training eines tabellarischen Agenten auf einem begrenzten Endspiel-\/Puzzle-Zustandsraum.<\/li>
                                        • Grenzen: warum tabellarische Methoden bei Vollschach versagen (Fluch der Dimensionalit\u00e4t) und die Notwendigkeit der Funktionsann\u00e4herung.<\/li><\/ul>

                                          Lektion 21 - Tiefe Q-Netze: Von Q-Tabellen zu neuronalen Netzen<\/h1>

                                          Einf\u00fchrung in die Funktionsapproximation f\u00fcr RL durch Ersetzen der Q-Tabelle durch ein neuronales Netz (DQN) und Anwendung auf mehrere kleine Brettspiele.<\/p>

                                          • Warum Q-Tabellen nicht skalierbar sind: zu viele Zust\u00e4nde; die Verallgemeinerung erfordert ein Modell, das Werte f\u00fcr ungesehene Positionen \u201cerraten\u201d kann.<\/li>
                                          • Deep Q-Network (DQN)-Trainingsschleife: Wiederholungspuffer, Zielnetz, Mini-Batch-Updates, \u03b5-decay.<\/li>
                                          • Implementierung und Experimentieren mit DQN bei Spielen wie Connect-4 (4Connect), Fox & Hounds und Othello\/Reversi.<\/li>
                                          • Diagnostik: Lernkurven, Stabilit\u00e4tsprobleme (\u00dcbersch\u00e4tzung, Divergenz) und praktische Abhilfema\u00dfnahmen.<\/li>
                                          • Vergleich der Ans\u00e4tze: DQN vs. NNUE-artige Bewertung und handwerkliche Bewertung (HCE), um Kompromisse bei der Architektur zu diskutieren.<\/li><\/ul>

                                            Lektion 22 - Monte Carlo Rollouts und MCTS auf Qirkat<\/h1>

                                            Baut eine vollst\u00e4ndige Qirkat-Umgebung auf und geht dann von zuf\u00e4lligen Rollouts zu einer vollst\u00e4ndigen Monte Carlo Tree Search (MCTS) mit UCT-Auswahl \u00fcber.<\/p>

                                            • Implementierung des Qirkat-Regelwerks (5\u00d75 Brett, C3 leer) und der Maximalfangregel, die Fangsequenzen erzwingt.<\/li>
                                            • Zuggenerierung, die Capture-Zeilen aufz\u00e4hlt, obligatorisches Capture erzwingt und auf Captures mit maximaler L\u00e4nge filtert.<\/li>
                                            • Monte-Carlo-Baselines: zuf\u00e4llige Rollouts und flache Monte-Carlo-Bewegungsbewertung vor dem Hinzuf\u00fcgen der Baumwiederverwendung.<\/li>
                                            • MCTS-Pipeline: Auswahl, Expansion, Rollout\/Bewertung, Backpropagation; UCT\/Visit-Count endg\u00fcltige Zugauswahl.<\/li>
                                            • Reproduzierbare Spielprotokolle und Audit-Tools f\u00fcr die schrittweise Wiedergabe und Fehlersuche.<\/li><\/ul>

                                              Lektion 23 - AlphaZero \u00fcber Othello\/Reversi<\/h1>

                                              Erweitert MCTS zu einer AlphaZero-\u00e4hnlichen Suche durch Hinzuf\u00fcgen eines neuronalen Netzes, das eine Priorit\u00e4tsrichtlinie und eine Wertsch\u00e4tzung liefert und dann durch Selbstspiel trainiert.<\/p>

                                              • \u00dcberbr\u00fccken Sie die Intuition mit einer winzigen \u2018Connect2\u2019 AlphaZero-Demo und \u00fcbertragen Sie dann die Ideen auf Othello.<\/li>
                                              • Ersetzen Sie UCT durch PUCT: Kombinieren Sie Besuchsstatistiken mit einer erlernten Strategie vor der Erkundung des Leitfadens.<\/li>
                                              • Neuronale Netzk\u00f6pfe: Politik (Zugwahrscheinlichkeiten) und Wert (Positionsbewertung) werden anstelle von Zufallsausw\u00fcrfen verwendet.<\/li>
                                              • AlphaZero-Schleife: Selbstspiel \u2192 Trainingsziele (\u03c0, z) \u2192 Netzaktualisierung \u2192 Wiederholung; Auswertung \u00fcber Turnierspiele\/Logs.<\/li>
                                              • Pfadabh\u00e4ngige Bewegungskodierung f\u00fcr Erfassungssequenzen variabler L\u00e4nge, so dass verschiedene Erfassungspfade getrennt bleiben.<\/li><\/ul>

                                                Lektion 24 - AlphaZero auf Qirkat: PUCT, Politik\/Value Nets und Self-Play<\/h1>

                                                Erweitert MCTS zu einer AlphaZero-\u00e4hnlichen Suche durch Hinzuf\u00fcgen eines neuronalen Netzes, das eine Priorit\u00e4tsrichtlinie und eine Wertsch\u00e4tzung liefert und dann durch Selbstspiel trainiert.<\/p>

                                                • \u00dcberbr\u00fccken Sie die Intuition mit einer winzigen \u2018Connect2\u2019 AlphaZero-Demo und \u00fcbertragen Sie dann die Ideen auf Qirkat.<\/li>
                                                • Ersetzen Sie UCT durch PUCT: Kombinieren Sie Besuchsstatistiken mit einer erlernten Strategie vor der Erkundung des Leitfadens.<\/li>
                                                • Neuronale Netzk\u00f6pfe: Politik (Zugwahrscheinlichkeiten) und Wert (Positionsbewertung) werden anstelle von Zufallsausw\u00fcrfen verwendet.<\/li>
                                                • AlphaZero-Schleife: Selbstspiel \u2192 Trainingsziele (\u03c0, z) \u2192 Netzaktualisierung \u2192 Wiederholung; Auswertung \u00fcber Turnierspiele\/Logs.<\/li>
                                                • Pfadabh\u00e4ngige Bewegungskodierung f\u00fcr Erfassungssequenzen variabler L\u00e4nge, so dass verschiedene Erfassungspfade getrennt bleiben.<\/li><\/ul>

                                                  Lektion 25 - T\u00fcrkisches Dame-Spiel (Dama):<\/h1>

                                                  Alpha-Beta, PUCT-gef\u00fchrte MCTS, Alpha Zero<\/h1>

                                                  Implementiert Turkish Checkers und vergleicht die klassische Suche (Alpha-Beta) mit MCTS unter Verwendung eines wiederverwendbaren Match-Runners und Batch-Simulationsprotokollen.<\/p>

                                                  • Spiel-Engine: Darstellung des Spielbretts, legale Z\u00fcge mit Mehrfachsprung-Fangm\u00f6glichkeiten und Kodierung der Zugwege.<\/li>
                                                  • Bewertungsfunktion plus Negamax\/Alpha-Beta-Suchmittel; Kompromisse zwischen Tiefe und St\u00e4rke.<\/li>
                                                  • MCTS-Agent f\u00fcr Turkish Checkers und Kopf-an-Kopf-Vergleiche gegen alpha-beta.<\/li>
                                                  • Universeller Match-Runner (play_game) und Batch-Simulationsdienstprogramme f\u00fcr reproduzierbare Experimente.<\/li>
                                                  • Exportierbare Protokolle (gezippt) zur \u00dcberpr\u00fcfung und Fehlersuche im Klassenzimmer.<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
                                                    \n\t\t\t\t
                                                    \n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

                                                    Shatranj.ai project curriculum can be accessed through lms.shatranj.ai Below are the short summaries of topics within the curriculum. Lesson 1 \u2013 Course Scope and Priorities Introduces the Shatranj.AI project, its Erasmus+ foundations, partner organizations, and digital platforms. Project vision, Erasmus KA2 context Partner institutions and cultural heritage focus Overview of platforms (editor, LMS, code tools) […]<\/p>\n","protected":false},"author":11,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-195","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/shatranj.ai\/de\/wp-json\/wp\/v2\/pages\/195","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/shatranj.ai\/de\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/shatranj.ai\/de\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/shatranj.ai\/de\/wp-json\/wp\/v2\/users\/11"}],"replies":[{"embeddable":true,"href":"https:\/\/shatranj.ai\/de\/wp-json\/wp\/v2\/comments?post=195"}],"version-history":[{"count":12,"href":"https:\/\/shatranj.ai\/de\/wp-json\/wp\/v2\/pages\/195\/revisions"}],"predecessor-version":[{"id":820,"href":"https:\/\/shatranj.ai\/de\/wp-json\/wp\/v2\/pages\/195\/revisions\/820"}],"wp:attachment":[{"href":"https:\/\/shatranj.ai\/de\/wp-json\/wp\/v2\/media?parent=195"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}