Klassische KI Verfahren und maschinelles Lernen | Die Welt der KI entdecken 04
Summary
TLDRDieses Video stellt den Unterschied zwischen maschinellem Lernen und klassischer symbolischer KI vor. Es erklärt, wie symbolische KI auf der Basis von Wissen und Logik arbeitet, im Gegensatz zu maschinellem Lernen, das ohne explizites Lernen intelligente Lösungen findet. Durch Beispiele wie das Mini-Schach-Spiel und die Anwendung in Expertensystemen wird verdeutlicht, wie beide Ansätze in verschiedenen Situationen eingesetzt werden können. Das Video spricht auch die Herausforderung der kombinatorischen Explosion an und wie maschinelles Lernen dabei Vorteile bietet, um Komplexitäten zu meistern.
Takeaways
- 🧠 Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz, der sich von klassischer symbolischer KI unterscheidet.
- 🤖 Symbolische KI basiert auf der Darstellung von Wissen und der Anwendung von Logik, um Schlussfolgerungen zu ziehen.
- 🏆 Der Deep Blue-Schachcomputer, der Kasparow 1996 besiegte, nutzte symbolische KI, während AlphaGo 2016 maschinelles Lernen einsetzte.
- 📚 In symbolischer KI werden Expertensysteme eingesetzt, die auf definierten Regeln basieren, ähnlich wie menschliche Experten.
- 🎲 Das Mini-Spiel im Video veranschaulicht, wie eine symbolische KI-Methode funktioniert, indem sie eine Liste von Regeln zur Entscheidungsfindung verwendet.
- 🔄 Maschinelles Lernen kann durch Exploration und Erfahrung im Laufe der Zeit verbessert werden, ohne dass alle Spielpositionen vorausberechnet werden müssen.
- 🚀 AlphaGo wurde mit 30 Millionen Zügen aus früheren Spielen und Selbstspiel trainiert, im Gegensatz zu Deep Blue, das auf vorausberechnete Spielpositionen basierte.
- 🌌 Die Kombinatorische Explosion zeigt, dass die Anzahl möglicher Spielpositionen in Spielen wie Schach oder Go so groß ist, dass sie für einen Computer unzureichend ist, um alle zu berechnen.
- 💊 Symbolische KI kann auch für praktische Anwendungen wie die Interaktion von Medikamenten eingesetzt werden, indem sie Regeln und Symbole verwendet, um Kontraindikationen zu erkennen.
- 🔍 Suchalgorithmen sind eine Technik in der symbolischen KI, die verwendet wird, um die bestmögliche Lösung für Probleme wie Routenplanung oder das Finden der optimalen Reihenfolge von Aktionen zu finden.
- 🛰️ Bei der symbolischen KI ist es oft möglich, die Regeln zu verstehen, die zu einer Lösung geführt haben, im Gegensatz zu manchen Ansätzen im maschinellen Lernen, die weniger nachvollziehbar sind.
Q & A
Was ist der Hauptunterschied zwischen maschinellem Lernen und klassischer symbolischer KI?
-Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, das sich auf den Einsatz von Algorithmen konzentriert, die aus Daten lernen. Symbolische KI hingegen beschäftigt sich mit der Darstellung von Wissen und der Anwendung von Logik, um Schlussfolgerungen zu ziehen.
Wie hat Deep Blue seine Partie gegen Kasparow 1996 gewonnen?
-Deep Blue nutzte symbolische KI, um Logik und vorherberechnete Spielstrategien anzuwenden, um Kasparow zu schlagen.
Was ist ein Beispiel für ein Expertensystem in der symbolischen KI?
-Expertensysteme sind bekannte Vertreter der symbolischen KI, die eine Reihe von definierten Regeln verwenden, um Entscheidungen zu treffen, ähnlich wie ein menschlicher Experte in einem bestimmten Bereich.
Wie unterscheidet sich das Lernverhalten von AlphaGo von dem von Deep Blue?
-AlphaGo nutzte maschinelles Lernen, indem es aus bereits gespielten Partien und Selbstspiel lernte, während Deep Blue auf symbolischer KI und vorherberechneten Logik beruhte.
Was ist die 'kombinatorische Explosion' im Zusammenhang mit Spielen wie Schach?
-Die kombinatorische Explosion bezieht sich auf die enorme Anzahl möglicher Spielzüge und -positionen, die im Laufe eines Spiels entstehen können, was es für Computer unmöglich macht, alle Optionen zu berechnen und auszuwerten.
Wie viele Möglichkeiten gibt es im Mini-Schach für den ersten Zug?
-Im Mini-Schach, das drei mal drei Felder groß ist, gibt es im Durchschnitt vier Aktionen pro Zug, was 35 Möglichkeiten für den ersten Zug ergibt.
Was ist der Unterschied zwischen symbolischer KI und maschinellem Lernen in Bezug auf die Behandlung von Unsicherheit?
-Symbolische KI ist gut für Situationen geeignet, in denen alle möglichen Eingaben spezifiziert werden können und bestimmte Ereignisse sicher aus anderen folgen können. Maschinelles Lernen hingegen ist besser geeignet, um mit Unsicherheiten in der realen Welt umzugehen, indem es aus Daten lernt.
Welche Rolle spielen Suchalgorithmen in der symbolischen KI?
-Suchalgorithmen sind in der symbolischen KI wichtig, um die besten nächsten Schritte unter allen möglichen Schritten zu finden oder die beste Route zu einem Ziel zu ermitteln.
Was ist das Ziel von Suchalgorithmen in der KI?
-Das Ziel von Suchalgorithmen ist es, die beste Lösung für ein gegebenes Problem zu finden, indem sie mögliche Pfade durchsuchen und diejenigen ausschließen, die wahrscheinlich keine Lösung führen.
Wie können Suchalgorithmen in der KI die Suche nach der optimalen Lösung verbessern?
-Suchalgorithmen können die Suche nach der optimalen Lösung verbessern, indem sie heuristische Methoden verwenden, um die Suche auf diejenigen Pfade zu fokussieren, die am ehesten zu einer Lösung führen, und weniger Zeit mit Pfaden zu verbringen, die keine Lösung bieten werden.
Was ist eine Anwendung von symbolischer KI außerhalb des Schachspiels?
-Symbolische KI findet Anwendung in vielen Bereichen, darunter medizinische Anwendungen, Geschäftsprozesse, Banken und Versicherungen, oft in Form von Expertensystemen, die auf definierten Regeln basieren.
Outlines
🤖 Maschinelles Lernen vs. Symbolische KI
Dieses Absatz behandelt den Unterschied zwischen maschinellem Lernen und klassischer symbolischer KI. Es wird erklärt, dass maschinelles Lernen ein Teilaspekt der künstlichen Intelligenz ist, während symbolische KI historisch die erste Herangehensweise an KI war, die sich mit der Darstellung von Wissen und logischen Schlussfolgerungen befasst. Ein Beispiel dafür ist das CAS-System, das 1996 Kasparow im Schach besiegte. Im Gegensatz dazu nutzt AlphaGo, das 2016 eingesetzt wurde, maschinelles Lernen und einige klassische Verfahren. Der Absatz verwendet das Mini-Schach-Spiel aus dem zweiten Video als Beispiel, um den Unterschied zwischen lernenden und symbolischen KI-Systemen zu veranschaulichen.
🧠 Kombinatorische Explosion und Anwendungen der Symbolischen KI
Der zweite Absatz erläutert die Herausforderungen der klassischen KI, die alle möglichen Spielstellungen im Voraus berechnen und bewerten muss, im Gegensatz zu selbstlernenden Systemen, die durch Exploration von Verhaltensweisen und Erfahrungen sich verbessern. Der Absatz vergleicht die Spielgrößen von Mini-Schach und Schach und zeigt, wie die Anzahl der möglichen Spielstellungen exponentiell ansteigt. Es wird auch auf die Anwendungen von symbolischer KI in anderen Bereichen wie der Medizin, Geschäftsprozessen und Versicherungen eingegangen, wobei Expertensysteme als Ersatz für menschliche Experten dienen sollen.
🔍 Suchalgorithmen und ihre Rolle in der KI
Der dritte Absatz konzentriert sich auf Suchalgorithmen, die in der KI eine wichtige Rolle spielen, obwohl sie nicht immer direkt zur KI gezählt werden. Diese Algorithmen sind nützlich, um Probleme wie die Bestimmung der besten Route zu lösen. Der Absatz erklärt, wie Suchalgorithmen in der Praxis eingesetzt werden können, um z.B. den Staubsaugerroboter oder ein Raumschiff zu steuern. Es wird auch auf die Herausforderungen eingegangen, die mit riesigen Suchräumen verbunden sind, und wie intelligente Optimierungen dazu beitragen, die Suche nach Lösungen zu beschleunigen, ohne alle möglichen Optionen zu durchsuchen.
Mindmap
Keywords
💡Maschinelles Lernen
💡Künstliche Intelligenz
💡Symbolische KI
💡Kombinatorische Explosion
💡Expertensysteme
💡Suchalgorithmen
💡Wissensrepräsentation
💡Logik
💡AlphaGo
💡Kombinatorik
💡Daten
Highlights
Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz, der sich von klassischer, symbolischer KI unterscheidet.
Symbolische KI beschäftigt sich mit der Darstellung von Wissen und der Ableitung logischer Schlüsse.
Das Deep Blue System, das Kasparow 1996 geschlagen hat, basierte auf symbolischer KI.
AlphaGo, der 2016 eingesetzt wurde, nutzte maschinelles Lernen und klassische Verfahren.
Der Unterschied zwischen symbolischer KI und maschinellem Lernen wird anhand eines Mini-Schachspiels veranschaulicht.
Expertensysteme sind ein bekannter Vertreter der symbolischen KI, die auf definierten Regeln basieren.
Maschinelles Lernen erlaubt es, aus Daten zu lernen und sich durch Exploration und Erfahrung zu verbessern.
AlphaGo wurde mit 30 Millionen Zügen aus bisherigen Partien und Selbstspielen trainiert.
Symbolische KI erfordert eine Vorab-Berechnung und Bewertung aller möglichen Spielstellungen.
Maschinelles Lernen kann mit unsicheren Daten und unbekannten Situationen umgehen, im Gegensatz zu symbolischer KI.
Die Kombinatorische Explosion macht es für symbolische KI unmöglich, alle Spielstellungen zu berechnen und auszuwerten.
Symbole in der symbolischen KI können verschiedene Zustandsbeschreibungen, Personen, Zahlen oder Medikamente darstellen.
Expertensysteme können mithilfe von Logik und definierten Regeln bestimmte Medikamente auswählen oder ausschließen.
Suchalgorithmen sind eine Technik, die auch in der symbolischen KI eingesetzt wird, um die besten nächsten Schritte zu finden.
Die Herausforderung bei symbolischer KI ist, Wissen in eine Form zu bringen, die der Computer mit Logik verarbeiten kann.
Maschinelles Lernen konzentriert sich in der aktuellen KI-Forschung, da es mit Unsicherheit in der realen Welt umgehen kann.
In zukünftigen Videos wird die Fähigkeit der KI, mit der Unsicherheit der realen Welt umzugehen, durch das Lernen aus Daten erläutert.
Transcripts
hallo und herzlich willkommen zu unserem
heutigen video in den letzten beiden
videos haben wir uns damit beschäftigt
wie eine maschine lernen kann
aber wie kann ein computer auch ohne zu
lernen intelligent werden
heute wollen wir uns genauer mit dem
unterschied zwischen maschinellen
lernverfahren und klassischer
symbolischer ki beschäftigen wie wir
bereits gelernt haben ist maschinelles
lernen ein teilgebiet künstlicher
intelligenz aber eben nur ein teil lange
nicht alle ansätze nutzen maschinellen
lernverfahren viele dieser anderen
verfahren gehören zur sogenannten
symbolischen ki der historisch erster
ansatz für künstliche intelligenz
diese symbolische ki beschäftigt sich
mit der repräsentation von wissen und
wie aus einer solchen wissens
repräsentation logische schlüsse gezogen
werden können symbolisch deshalb weil
wir elektrische signale verwenden um die
reale welt in einem computer
darzustellen und darauf dann logik
anwenden zu können
das kapselsystem die blue das kasparow
1996 im schach geschlagen hat war
tatsächlich symbolische ki während alpha
gut 2016 maschinellen lernverfahren
eingesetzt hat und ein paar klassische
verfahren um den unterschied zwischen
diesen zwei ansätzen besser zu verstehen
schauen wir uns nochmal unser mini
schacht von video 2 an
dabei hatte der krokodil spieler eine
liste der möglichen zustände und
aktionen süßigkeiten haben ihnen bei der
wahl mit seiner aktion unterstützt
am anfang waren die süßigkeiten
gleichmäßig auf alle züge verteilt
im laufe der zeit hat sich die
verteilung der süßigkeiten dann aber
geändert so dass die äffchen jetzt nicht
mehr gewinnen können
der agent hat also gelernt welche züge
zum erfolg führen und welche in einer
niederlage in jetzt wollen uns aber
anschauen wie eine symbolische k
arbeiten könnte wir lassen also den
spielaufbau so wie er ist wird auch
schon lediglich die liste der möglichen
züge gegen eine andere liste aus
dazu brauchen wir auch dann diese ganzen
schokolinsen nicht mehr das ist jetzt
gewissermaßen die wissensbasis des
computers solche experten systeme sind
ein bekannter vertreter symbolischer ki
sie verwenden eine reihe von definierten
regeln genau wie die wenn dann aussagen
hier auf dem blatt papier spielen also
mal eine runde mini schach gegen den
computer mit den neuen regeln ich liebe
meine figur zu machen hierhin der
krokodil spieler in diesem fall tillmann
überprüft seine wissensbasis in form der
regeln auf dem papier und führt den dann
teil der passenden regel aus
in diesem fall schlägt er mich also ich
versuche jetzt zu gewinnen indem ich
seine figur hier schmeiße
da will man aber bereits eine reihe von
vorberechneten regeln hat ihm sagen wir
reagieren soll
er ist natürlich nicht mehr so dumm und
schmeißt meine figur auch stattdessen
blockierte mich und gewinnt damit das
spiel
wir setzen das spiel jetzt noch mal
zurück und versuchen einen anderen zug
ich bewege meine figur mal hierher
seinen regeln folgend mit tilman also
der computer jetzt meine figur schlagen
ich versuche jetzt wie ein video zwei
mich durch die mitte zu schleichen
aber die krokodile versuchen gar nicht
mehr mich abzufangen sondern sind
einfach zu gegenüberliegenden seite
durch und gewinn erneut
egal also welchen zug ich mache ich habe
keine chance mehr zu gewinnen
die klassische ki musste dafür jede
menge spiel stellung vor berechnen und
darin nach dem bestmöglichen zügen
suchen
sie hat mit hilfe von logischen logik im
wesentlichen alle möglichen spiele
stellungen im voraus berechnet und
bewertet in der selbstlernenden version
hatten wir einen agenten der über viele
spiele trainiert werden musste ausgehend
von den regeln des spiels hat der agent
verschiedene verhaltensweisen explodiert
durch die dabei gesammelte erfahrung hat
er sich immer weiter verbessert die
blues behält sich mehr oder weniger
genau so wie wir das gerade im mini show
erlebt haben um schach zu meistern
wurden bis zu 200 millionen stellungen
pro sekunde ausgewertet wobei im
wesentlichen so viele bestellungen wie
möglich voraus berechnet wurden um zu
sehen ob ein zug schließlich zu einem
sieg führt im gegensatz dazu wurde alpha
go mit 30 millionen zügen aus bisherigen
partien und spielen gegen sich selbst
trainiert warum war aber diplom oder ein
vergleichbar das system nicht in der
lage auch gut zu spielen
dazu schauen wir uns an wie schwer es
ist alle möglichen spiel stellungen im
voraus zu berechnen und vergleichen
unser mini schach und co unser mini
schacht hatte eine größe von drei mal
drei feldern
damit stehen im schnitt vier aktionen
pro zug zur verfügung mit maximal drei
runden die das spiel dauert haben wir
also weniger als 100 mögliche spiel
stellungen
damit können wir sehr einfach alle
möglichen spiele spätspiel stellungen
berechnen und eben auch analysieren
welche züge zu einem sieg führen
schauen wir uns schach an dort haben wir
acht court 8 felder was die anzahl
möglicher aktionen und natürlich auch
die länge des spiels enorm erhöht damit
haben wir bereits zehn hoch 44 mögliche
spiel stellungen die alle berechnet und
ausgewertet werden müssen aufwendig
aber für einen computer eben noch
machbar ist nochmal komplexer mit 19 mal
19 feldern haben wir zehn hoch 170
mögliche spiel stellungen das sind mehr
spiel stellungen als atome in unserem
universum gibt wenn wir den ersten zug
in schach und co vergleichen haben wir
35 möglichkeiten in schach und bereits
200 mio
nur für den ersten zug mit dem nächsten
zug gibt es damit bereits 200 mal 200
mögliche spiel stellungen go und das bei
einer spiellänge von bis zu 200 zügen
dieses phänomen nennen wir
kombinatorische explosion
diese gewaltige menge an spiel
stellungen macht es unmöglich all diese
bestellungen zu berechnen und
auszuwerten und deswegen nutzt al gore
maschinelles lernen
es hat zwar nicht das ganze universum in
unserem computer platz trotzdem können
wir eine ganze menge von wissen im
computer repräsentieren beispielsweise
um dann die nebenwirkungen von
medikamenten zu entdecken
gerade haben wir gelernt das symbolische
ki wissen um probleme im computer
repräsentieren muss um dann mit hilfe
von logik nach lösungen suchen zu können
die grundlage für diese art von wissens
repräsentation sind symbole das wort
symbolische charakter genau das ein
symbol kann eine zustandsbeschreibung
unsere schachbrett eine person eine zahl
oder eben ein medikament sein
ein solches medikament wiederum kein
wirkstoff enthalten eine beziehung in
diesem fall enthält beschreibt wie
symbole im konkreten fall jetzt nur zwei
wobei man auf die zwei nicht limitiert
ist miteinander interagieren
in seltenen fällen wenn wir so richtig
krank sind bekommen wir auch mal mehr
als ein medikament verschrieben
dafür wäre es natürlich unglaublich
praktisch zu wissen welche medikamente
und denen es ja sehr viele verschiedene
mit dutzenden inhaltsstoffen gibt wir
risikofrei zusammen einnehmen können
dieses wissen wird explizit im computer
repräsentiert wenn etwa die wirkstoffe
blatt und pilz gleichzeitig eingenommen
werden führt das zu übelkeit ein crm
system das diese symbole verarbeitet
kann jetzt mit hilfe von logik
herausfinden welche medikamente aufgrund
dieses regelsystems nicht zusammenpassen
unter einsatz von logik kann das system
daher ableiten das superhelden pellen
und die zauber medizin nicht zusammen
eingenommen werden sollten durch
auflösen der logischen regeln aus seiner
wissensbasis kann der computer seine
wissensbasis außerdem erweitern und dass
wir als menschen all diese regeln
definieren müssen
so kann er die regel ableiten das
superhelden pellen und erstaunliche
medikamente gleichzeitig eingenommen
ebenfalls zu übelkeit führen
übrigens können wir diese logischen
verknüpfungen jetzt auch nutzen um dem
system fragen zu stellen etwa welche
medikamente enthalten pilze das system
sucht dann in der wissensbasis nach
übereinstimmungen umgibt diese zurück in
unserem konkreten fall gibt es kein
system alle medikamente zurück die pilze
enthalten wie zb die superhelden bälle
natürlich müssen wir uns nicht auf diese
beschränkt der auswahl an symbolen und
regeln festlegen
im laufe der zeit wurden vergleichbare
systeme entwickelt für medizinische
anwendungen für geschäftsprozesse für
banken versicherungen usw
man spricht dabei auch von experten
system denn sie wollen mit dem ziel
geschaffen einen menschlichen experten
zu ersetzen
wie wir gesehen haben verwenden solche
systeme mit der logik wie das logische
schließen eine weitere technik die sie
einsetzen sind suchalgorithmen solche
algorithmen suchen nach den besten
nächsten schritt unter allen möglichen
schritten beim techno oder sie suchen
eine route für unseren staubsauger
roboter oder für unser raumschiff mit
dem wir unsere reise begeben haben
auch wenn suchalgorithmen heute auch
nicht unbedingt zum feld der künstlichen
intelligenz gezählt werden
erinnerst dich vielleicht an die
definition von anfang an ist die
wissenschaft die der frage nachgeht wie
man computer dazu bringen dinge zu tun
die wir menschen noch besser können
bleiben suchalgorithmen
trotzdem eine ausgezeichnete möglichkeit
einige probleme zu lösen
die herausforderung dabei ist das wissen
in eine form zu bringen so dass der
computer mit hilfe von logik verarbeiten
kann und zwar nach der besten route
suchen kann
das kann kameras oder sensoren erzeugt
werden wie man zum staubsauger roboter
oder bereits vorgegeben sein hat er das
kann der agent im voraus planen was er
tun muss um sein ziel zu erreichen
das ziel könnte jetzt ein bestimmter
raum sein oder eben der planet auf
unserer reise durch ki den weiß nächstes
besuchen wollen um auf dem kürzesten weg
zum ziel zu gelangen sind mehrere
schritte nötig wenn ich auf den grünen
planeten um links bilden und den kleinen
mond des orange haben den planeten
erreichen will muss ich zuerst den
planeten unter mir fliegen und so weiter
der kürzeste weg ist etwas das such
algorithmen finden können bei realen
suchtproblemen sind diese algorithmen
aber mit riesigen sucht räumen
konfrontiert die algorithmen bräuchten
also extrem viel zeit um die beste
lösung zu finden falls sich schon mit
dem thema beschäftigt hast die probleme
sind oft mp schwer oder schlimmer aus
dem grund haben kluge köpfe als einer
rhythmen getüftelt die nicht mehr alle
möglichen optionen in gänze durchsuchen
stattdessen werden wege die
wahrscheinlich nie zu einer lösung
führen so lange wie möglich nicht mehr
erforscht auch bei unserem schach würden
wir vielleicht nicht alle spiele
stellung vor berechnen wir sehen also
symbolische oder traditionelle ki
verfahren sind in vielen situationen
nützlich symbole werden verwendet wenn
wir alle möglichen eingaben
spezifizieren können und wir mit
sicherheit sagen können dass bestimmte
ereignisse aus anderen folgen
im gegensatz zu vielen ansätzen beim
maschinellen lernen dass sich bei
symbolischer ki vielleicht
nachvollziehen welche regeln zur lösung
geführt haben
aber wenn eine gewisse unsicherheit
vorliegt oder wir mit symbolen
beschreiben müssten wie ein katzen bild
aussieht wie man erfolgreich spielt dann
ist es mit symbolischen ansätzen oft
nicht handelbar
das ist einer der gründe warum viel
aufmerksamkeit in bezug auf ki aktuell
statistischen ansätzen bzw
hauptsächlich die maschinellen lernen
gilt
denn in der realen welt haben nun mal
mit einer menge von unsicherheit zu
kämpfen in den nächsten videos weil wir
uns genauer ansehen
die maschine mit der unsicherheit der
realen welt umgehen können indem sie aus
daten lernen wir bedanken uns fürs zu
sehen und freuen uns aufs nächste video
Browse More Related Video
![](https://i.ytimg.com/vi/hFb2eKJAvhA/hq720.jpg)
Clip und klar! – Was ist Künstliche Intelligenz (KI)? | Kindervideos | SRF Kids
![](https://i.ytimg.com/vi/Dgu5utapmk0/hq720.jpg)
Generative KI auf den Punkt gebracht – Wie man im KI-Zeitalter besteht und erfolgreich ist (AI dub)
![](https://i.ytimg.com/vi/KlECYW-bZ7c/hq720.jpg?sqp=-oaymwEmCIAKENAF8quKqQMa8AEB-AHUBoAC4AOKAgwIABABGD8gWChlMA8=&rs=AOn4CLA34mm54mS9ZNKGIazSCJuGwvJFDQ)
Was ist KI? | Die Welt der KI entdecken 01
![](https://i.ytimg.com/vi/zZd_2fKyl-w/hq720.jpg?sqp=-oaymwEmCIAKENAF8quKqQMa8AEB-AHUBoAC4AOKAgwIABABGEAgVyhlMA8=&rs=AOn4CLDF9ny4Vekzaz_cCKPcc_3z1aI69A)
Unüberwachtes Lernen | Die Welt der KI entdecken 07
![](https://i.ytimg.com/vi/emOq097wxKs/hq720.jpg)
SO macht Lernen endlich Spaß! 🥳
![](https://i.ytimg.com/vi/XvQW-U6Qse0/hq720.jpg)
Transistor erklärt - Wie Transistoren funktionieren
5.0 / 5 (0 votes)