2. Vorlesung Expertensysteme
|
|
- Helmuth Wagner
- vor 5 Jahren
- Abrufe
Transkript
1 Soft Control (AT 3, RMA) 2. Vorlesung Expertensysteme
2 2. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation und Wissensverarbeitung (Symbolische KI) Anwendung: Expertensysteme 3. Fuzzy-Systeme: Umgang mit unscharfem Wissen Anwendung: Fuzzy-Control 4. Konnektionistische Systeme: Neuronale Netze Anwendung: Identifikation und neuronale Regler 5. Genetische Algorithmen, Simulated Annealing, Differential Evolution Anwendung: Optimierung 6. Zusammenfassung & Literaturhinweise 24
3 Inhalt der 2. Vorlesung 1. Expertensysteme 1. Idee 2. Anwendungsgebiete 3. Vergleich mit konventionellen Programmen 2. Grundlegende Architektur von Expertensystemen 1. Erklärung der Komponenten 2. Formen der Wissensbasis 3. Inferenzmechanismen 3. Fallbasiertes Schließen 4. Zusammenfassung 25
4 Expertensysteme Kernidee (natürliches Vorbild) Menschliches abstraktes Denken Historie Erste Expertensysteme Anfang der 1970er (Jedoch Probleme durch hohen Rechenaufwand) Anwendung in der Automatisierungstechnik Heute: Vielfältiger industrieller Einsatz auf höheren Automatisierungsebenen Beispiele Systeme zur unterstützenden Prozessführung Systeme zur Fehlerdiagnose Trainingssysteme (Simulatoren) 26
5 Aufgabengebiete von Expertensystemen 27
6 Vergleich: Konventionelle Programme vs. Expertensysteme konventionelle Programme Expertensysteme Algorithmen Problemlösungs -strategie Wissen Daten Daten In Expertensystemen wird das Wissen i. A. von der Problemlösungsstrategie getrennt, während bei konventionellen Programmen Wissen und Problemlösungsstrategie implizit in einen Algorithmen eingebettet sind 28
7 Architektur von Expertensystemen Quelle: Lunze 29
8 Wissenserwerbskomponente Schnittstelle zum Experten, der sein Wissen in das System eingibt, ändert oder überprüft Im Idealfall ist die Schnittstelle so aufgebaut, dass keine Programmierkenntnisse erforderlich sind Oft wird zwischen die Wissenserwerbskomponente und den Experten noch ein Systementwickler geschaltet (Wissensingenieur) Der Wissensingenieur unterstützt den Experten bei der Eingabe oder er fragt das Expertenwissen in Interviews ab und bereitet es selbständig für die Eingabe auf Hohe Bedeutung, da Wissenserwerb als Engpass in der Expertensystem-Erstellung gilt 30
9 Wissensbasis Hier wird das im System vorhandene Wissen geeignet gespeichert Man unterscheidet drei Bereiche/Komponenten der Wissensbasis 1. Bereichsbezogenes Wissen: Die eigentliche Wissensbasis, d.h. das Wissen, das vom Experten oder Wissensingenieur eingegeben wurde 2. Fallspezifisches Wissen: Wissen über das aktuell vom System zu lösende Problem, das vom Benutzer eingegeben oder automatisch abgefragt wurde 3. Zwischenergebnisse: Ergebnisse einzelner Regeln, die von der Problemlösungskomponente erzeugt wurden, und zur weiteren Verarbeitung in anderen Regeln dienen können 31
10 Problemlösungskomponente Anwendungsneutraler Teil der Wissensverarbeitung (auch Inferenzmaschine) Programmsystem, das mittels der Wissesbasis die Problemlösung generiert Aufbau der Inferenzmaschine hängt von der Art der Wissensbasis ab Regelverkettung (vorwärts, rückwärts) bei Produktionsregelsystemen Ableitung (Resolution) bei logikbasierten Systemen Vergleich bei fallbasierten Systemen 32
11 Dialogkomponente Schnittstelle zum Benutzer des Expertensystems Fragt die Problemstellung geeignet ab Präsentiert die Lösung und erklärt sie Problem der Erklärung: System kann transparent machen, wie es zu dem Ergebnis gekommen ist. (Nützlich bei der Fehlersuche und nötig zur Vertrauensbildung) Tiefergehende Erklärungen zum Warum und Weshalb einer Lösung sind jedoch nicht möglich. Die Ansätze in XPS auch die Tiefenstruktur von Problemen abzubilden stecken noch in den Anfängen (Tiefenstruktur = dem Problem zu Grunde liegende technische, physikalische oder chemische Zusammenhänge) 33
12 Formen der Wissensbasis Regelbasierte Systeme Produktionsregelsysteme Logikbasierte Systeme Fallbasierte Systeme 34
13 Produktionsregelsysteme Produktionsregeln als kleinste Bausteine der Wissensbasis Aufbau: WENN bestimmte Bedingungen erfüllt sind, DANN wird auf folgende Fakten geschlossen Beispiel: Fehlerdiagnose (Syntax des Systems Babylon) 35
14 Beispiel: Fehlerdiagnose (2) 36
15 Generelles Vorgehen bei der Inferenz MATCH: Es wird untersucht, welche Regeln im aktuellen Problemzustand anwendbar sind Konfliktmenge = Menge aller anwendbaren Regeln SELECT: Auswahl einer Regel aus der Konfliktmenge ACT: Anwendung der ausgewählten Regel auf den Problemzustand neuer Problemzustand Quelle: Lunze 37
16 Inferenzmethoden: Vorwärtsverkettung vs. Rückwärtsverkettung Vorwärtsverkettung: Ausgehend von bekannten Fakten werden Regeln ausgeführt Deren Konklusionen stellen neue Fakten dar Abbruch, wenn keine Regel mehr feuern kann ungezielte Suche Rückwärtsverkettung Ausgehend von einer Hypothese werden Regeln gesucht, die diese überprüfen Eine Regel wird gesucht, die die Hypothese als Konklusion enthält Dann wird mit den Prämissen dieser Regel entsprechend verfahren, bis man auf bekannte Prämissen (Fakten) stößt Gemischte Strategie Zunächst Hypothesenbildung (forward) = Auswahl der Regel für die die meisten Prämissen als gültig erkannt wurden Danach Hypothesentest (backward) = Versuch, die noch fehlenden Prämissen zu verifizieren Bei allen Verkettungsmethoden kann noch zwischen Tiefensuche bzw. Breitensuche unterschieden werden 38
17 Beispiel: Vorwärtsverkettung 39
18 Beispiel: Wasserversorgungssystem (Lunze) Regeln sind in Form eines Entscheidungsbaums gegeben Problem: Druck ist niedrig gesucht wird der Grund 40
19 Logikbasierte Systeme Basieren auf der Aussagen- bzw. Prädikatenlogik Erlauben die Verwendung von Variablen Anwendung z.b. logikorientierte Programmiersprache PROLOG Wissensbasis besteht aus Fakten (Aussagen) und Regeln (Implikationen) Beispiel: Aussagen: A1 = Rührer läuft A2 = Inertgasatmosphäre liegt an A3 = Flussweg ist abgeschaltet A4 = Dosierung läuft A5 = Dosierung läuft nicht Implikationen (A1 & A2 & A3) A4 A3 A4 Ableitungen Seien A1, A2, A3 TRUE dann kann als Wert von A4 auch TRUE abgeleitet werden 41
20 Logikbasierte Systeme: Erweiterungen Default-Logik: Für unbekannte Prämissen werden Defaultwerte (i.a. TRUE) angenommen Mehrwertige Logiken: Z.B. vierwertig (WAHR, Wahrscheinlich WAHR, Wahrscheinlich FALH, FALH) Modale Logik: Es ist möglich, dass... gilt Autoepistemische Logik: Ich glaube, dass... gilt Temporale Logik: Berücksichtigung zeitlicher Relationen: A gilt nachdem B gilt Einbeziehung von Wahrscheinlichkeitsaussagen in die Logik Unscharfe Logik: Wird im Abschnitt Fuzzy-Systeme ausführlich behandelt 42
21 Probleme regelbasierter Systeme Grundannahme, dass sich technisches Erfahrungswissen in Regeln ausdrücken lässt ist zumindest fragwürdig Regeln werden oft dazu missbraucht, Kontrolllogik in das System zu codieren In Regeln wird oft der Kontext (Gültigkeitsbereich) codiert In Regeln werden oft strukturelle Beziehungen verschlüsselt, z.b. stellen manche Regeln Spezialisierungen anderer Regeln dar Regeln lassen sich nicht strukturieren und organisieren Vermischung des Wissens (Fakten, Kontext, Kontrolle) führt dazu, dass Expertensysteme nicht in der Lage sind, ihr eigenes Systemverhalten hinreichend zu erklären. Fehlende Strukturierung führt an die Grenzen technischer Anwendbarkeit (sinnvolle Systeme besitzen i.d.r. tausende von Regeln) Ausweg: Fallbasierte und objektorientierte Ansätze 43
22 Fallbasierte Systeme Fallbasiertes Schließen FBS (Case Based Reasoning, CBR) Fall ist irgendwie geartete Erfahrung beim Lösen eines Problems. Nutzung der Erfahrung, oder eines Falles die Lösung auf ein neues aktuelles aber hinreichend ähnliches Problem anzuwenden. Spezielle Fortentwicklung wissensbasierte Systeme Fälle aus selbem Bereich sonst Analogie (unterschiedliche Domänen: Sonnensystem und Atommodell) Fallbasiertes Retrieval (Lösung unverändert übernehmen) Fallbasiertes Schließen (Fall adaptieren) Verzicht auf Wahrheit, Nützlichkeit stattdessen (Optimierungsproblem) Ansatz basiert auf dynamischen Gedächtnis (grundlegende Annahmen) Erinnern und Anpassen (Adaptieren) sind zentrale mentale Prozesse beim Verstehen Indexierung ist für das Erinnern wichtig Verstehen führt zur Reorganisation des Gedächtnisses, weshalb dieses dynamisch ist Die Gedächtnisstruktur für die Wissensverarbeitung sind dieselben wie die für die Wissensspeicherung 44
23 CBR: Anwendungs-Voraussetzungen 1. Es müssen hinreichend viele Erfahrungen vorliegen 2. Es muss einfacher sein diese Erfahrungen zu nutzen als die Probleme direkt zu lösen 3. Die Verwendung der Lösungen der Fallbasis darf sicherheitskritischen Anforderungen nicht widersprechen 4. Die zur Verfügung stehenden Informationen sind unvollständig oder unsicher und ungenau 5. Eine Modellierung im Sinne traditioneller wissensbasierter Systeme ist nicht oder nicht einfach erhältlich Häufige Anwendung im Bereich der Diagnostik und im elektronischen Verkauf aber auch Konfigurieren und Planen. 45
24 CBR: Vorgehen = CBR-Cycle 46
25 CBR: Beispiel Auswahl des passenden Falls über Ähnlichkeit der Fälle Wie definiert man Ähnlichkeit 1. Definition von Ähnlichkeitsmaßen für die einzelnen Attribute (lokales Ähnlichkeitsmaß) 2. Zusammenfassung zu einem Gesamtmaß (z.b. gewichtete Summe) 47
26 Zusammenfassung und Lernkontrolle zur 2. Vorlesung Wissen was Expertensysteme sind Anwendungsgebiete von Expertensystemen nennen können Grundlegende Architektur von Expertensystemen und die darin enthaltenen Komponenten kennen Grundtypen von Expertensystemen und deren Funktionsprinzip kennen: Regelbasierte Systeme Fallbasierte Systeme 48
1. Vorlesung Gliederung und Einführung
Soft Control (AT 3, RMA) 1. Vorlesung Gliederung und Einführung Inhalt der Vorlesung Rechnergestützte Methoden in der Automatisierungstechnik Expertensysteme Anwendung: Diagnose Fuzzy-Systeme Anwendung:
Mehr3. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 3. Vorlesung Fuzzy Systeme Fuzzy Mengen 3. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr7. Vorlesung Neuronale Netze
Soft Control (AT 3, RMA) 7. Vorlesung Neuronale Netze Grundlagen 7. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr6. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 6. Vorlesung Fuzzy Systeme Entwurfsbeispiele 6. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr4. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 4. Vorlesung Fuzzy Systeme Fuzzy Inferenz 4. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr12. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 12. Vorlesung Stochastische Optimierung Differential Evolution 12. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrKünstliche Intelligenz
George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer
MehrKünstliche Intelligenz für Ingenieure
Künstliche Intelligenz für Ingenieure von Prof. Dr.-Ing. Jan Lunze 2., völlig überarbeitete Auflage Oldenbourg Verlag München Verzeichnis der Anwendungsbeispiele Hinweise zum Gebrauch des Buches xvii xxiii
Mehr10. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 10. Vorlesung Stochastische Optimierung Genetische Algorithmen 10. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrKünstliche Intelligenz für Ingenieure
Künstliche Intelligenz für Ingenieure von Prof. Dr.-lng.Jan Lunze 2., völlig überarbeitete Auflage OldenbourgVerlag München Inhaltsverzeichnis Verzeichnis der Anwendungsbeispiele Hinweise zum Gebrauch
MehrWissensrepräsentation
Wissensrepräsentation Vorlesung Sommersemester 2008 12. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU Übersicht Rückblick, Zusammenhänge Mysterien 2 Inhalte im abstrakten Überblick Künstliche
MehrZusammenfassung KI (von Marco Piroth)
Zusammenfassung KI (von Marco Piroth) Definition: KI ist das Teilgebiet der Informatik, das sich damit beschäftigt, menschliche, intelligente Verhaltensweisen auf einer Maschine nachzuvollziehen. Softwaretechnische
MehrInhalt. Wissensbasierte Diagnose Entscheidungsbäume Bayes-Netze Fallbasiertes Schließen Funktionsorientierte Diagnose Modellbasierte Systeme
Inhalt 2 Wissensbasierte Diagnose 3 Diagnose bezeichnet hier das Rückschließen auf mögliche Ursachen, welche zu beobachtbaren Wirkungen führen. Heutige Diagnosesysteme haben gute Diagnosebasisfunktionen,
Mehr5. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 5. Vorlesung Fuzzy Systeme Fuzzy Control 5. Vorlesung im Aufbau der Vorlesung. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrWissensbasierte Systeme
FH Wedel Prof. Dr. Sebastian Iwanowski WBS6 Folie 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 6: Wissensbasierte Diagnosemethoden im Vergleich FH Wedel Prof. Dr. Sebastian Iwanowski WBS6
MehrTeil II: Einstieg in Expertensysteme
Teil II: Einstieg in Expertensysteme Begriffsbestimmung: Was sind wissensbasierte Systeme? Die beiden Begriffe Expertensystem und wissensbasiertes System werden weitgehend synonym verwendet für Softwaresysteme,
MehrMethoden wissensbasierter Systeme
Christoph Beierle Gabriele Kern-Isberner Methoden wissensbasierter Systeme Grundlagen - Algorithmen - Anwendungen 2., überarbeitete und erweiterte Auflage vieweg ix Vorwort zur 2., erweiterten Auflage
MehrExpertensysteme / XPS
Expertensysteme / XPS Alexander Pentzlin und Thiemo Bannasch KI II Claes Neuefeind 27.06.2012 1 Inhalt Was ist ein Expertensystem Geschichtlicher Hintergrund Prinzip eines XPS Komponenten Realisierungsprinzipien
MehrEinführung in Expertensysteme
Frank Puppe Einführung in Expertensysteme Zweite Auflage Mit 86 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo HongKong Barcelona Budapest Inhaltsverzeichnis Teil I. Einführung
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
MehrKünstliche Intelligenz Logische Agenten & Resolution
Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein
MehrEntwicklung und Einsatz von Expertensystemen
Karl Kurbel Entwicklung und Einsatz von Expertensystemen Eine anwendungsorientierte Einführung in wissensbasierte Systeme Mit 46 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo
MehrProgrammierkurs Prolog, SS 1998
Programmierkurs Prolog SS 1998 Universität Dortmund LS VIII - Prof. K. Morik Uebersicht Aufbau von Expertensystemen Produktionenregeln Backward-Chaining Forward-Chaining Erklärungen Unsicheres Wissen Interaktive
MehrHandbuch Wissensmanagement
Matthias Haun Handbuch Wissensmanagement Grundlagen und Umsetzung, Systeme und Praxisbeispiele Mit 75 Abbildungen ÄJ Springer 1 Einleitung 1 1.1 Motivation 1 1.2 Ziel 1 1.3 Wissenschaftstheoretische Grundlage
MehrKapitel MK:V. V. Diagnoseansätze
Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis
Mehr2. Grundlagen wissensbasierter Systeme
2. Grundlagen wissensbasierter Systeme 12 2. Grundlagen wissensbasierter Systeme Wissensbasierte Systeme (WBS) stellen einen Forschungsgegenstand dar, mit dem sich die Künstliche Intelligenz (KI) als Wissenschaftsdisziplin
MehrEinführung in die Wissensrepräsentation
Einführung in die Wissensrepräsentation Netzartige und schema-basierte Repräsentationsformate Von Dr. rer. soc. Ulrich Reimer Universität Konstanz > B.G.Teubner Stuttgart 1991 Inhaltsverzeichnis 1 Einleitung
Mehr11. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 11. Vorlesung Stochastische Optimierung Simmulated Annealing 11. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
Mehr8 Einführung in Expertensysteme
8 Einführung in Expertensysteme 22. Vorlesung: Constraints; Probabilistisches Schließen Für die Programmierung von Expertensystemen werden verschiedene Grundtechniken der Wissensrepräsentation und spezielle
MehrEinführung in die AI
1 Einführung in die AI Prof. Georg Gottlob Institut für Informationssysteme Technische Universität Wien Folien zur Vorlesung Konzepte der Artificial Intelligence 3 Zum Begriff Artificial Intelligence AI:
MehrWissensrepräsentation Vorlesung
Wissensrepräsentation Vorlesung Sommersemester 2008 5. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU Wissensbasierte Systeme: Regelbasierte Expertensysteme bzw. Produktionssysteme Rückblick:
MehrJessica Naundorf. Kritische Analyse von. Employer Awards im Kontext. des Employer Branding
Jessica Naundorf Kritische Analyse von Employer Awards im Kontext des Employer Branding Rainer Hampp Verlag München, Mering 2016 -I- Inhaltsverzeichnis Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrMethoden wissensbasierter
Christoph Beierle I Gabriele Kern-Isberner Methoden wissensbasierter Systeme Grundlagen, Algorithmen, Anwendungen 4., verbesserte Auflage Mit 147 Abbildungen STUDIUM VIEWEG+ 'reubner xiii Vorwort zur 1.
MehrSeminar Künstliche Intelligenz Wintersemester 2013/14
Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,
Mehr4. Regelbasierte Systeme
4. Regelbasierte Systeme Grundlagen regelbasierter Systeme 4. Regelbasierte Systeme Eine weitverbreitete Form der Wissensrepräsentation ist die Formulierung von Regeln. Regeln sind formalisierte Konditionalsätze
MehrFallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994:
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994: 1. Retrieve the most similar case 2. Reuse the solution and other information of the case 3. Revise the proposed
MehrInstitut für Eisenbahnwesen und Verkehrssicherung. 1# W TU Braunschweig MANFRED MATZKE. Ein Bewertungssystem für Betriebskonzepte bei Industriebahnen
Institut für Eisenbahnwesen und Verkehrssicherung 1# W TU Braunschweig MANFRED MATZKE Ein Bewertungssystem für Betriebskonzepte bei Industriebahnen Inhaltsverzeichnis Verwendete Abkürzungen Glossar vi
MehrKapitel 2: Fuzzy Systeme
Kapitel 2: Fuzzy Systeme Wintersemester 2005/06 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Inhalt Fuzzy Mengen
MehrÜbersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV
Mehr4. Regelbasierte Systeme
4. Regelbasierte Systeme Die beiden Regeln des vorangegangenen Beispiels weisen Unterschiede auf: Eine weitverbreitete Form der Wissensrepräsentation ist die Formulierung von Regeln. Regeln sind formalisierte
MehrWas bisher geschah. Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose)
Was bisher geschah Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose) M Menge aller Merkmale L Menge aller Lösungen Zuordnung als Relation R M L Zuordnung als Funktion f : M L {0, 1} (charakteristische
MehrÜbung zur Vorlesung Wissenschaftliches Rechnen Sommersemester 2012 Auffrischung zur Programmierung in C++, 2. Teil
MÜNSTER Übung zur Vorlesung Wissenschaftliches Rechnen Sommersemester 2012 Auffrischung zur Programmierung in C++ 2. Teil 18. April 2012 Organisatorisches MÜNSTER Übung zur Vorlesung Wissenschaftliches
MehrObjektorientierte Programmierung (OOP)
orientierte Programmierung (OOP) 1. Motivation Die objektorientierte Sichtweise der Welt Als Motivation für die OOP sieht man sich am besten die reale Welt an: Die reale Welt besteht aus "en", z. B.: Gegenstände,
MehrDie beiden Regeln des vorangegangenen Beispiels weisen Unterschiede. Die erste Regel entspricht einer logischen Implikation.
3. Regelsysteme Eine weitverbreitete Form der Wissensrepräsentation ist die Formulierung von Regeln. Regeln sind formalisierte Konditionalsätze der Form Wenn (if) F dann (then) G. Bedeutung: Wenn dann
MehrKnowledge-Based system. Inference Engine. Prof. Dr. T. Nouri.
12.01.2008 Knowledge-Based system Inference Engine Prof. Dr. T. Nouri Taoufik.Nouri@FHN.CH 2 / 30 Inhalt Grundlagen Wozu Inference? Aufbau Knowledge Based System Strategien für Folgerungen Suchstrategien
MehrKapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung
Kapitel L:IV IV. Nichtklassische Logiken Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung L:IV-45 Nonclassical Logics LETTMANN/STEIN 1998-2013 Aussagenlogik
MehrÜbersicht. 7. Prädikatenlogik 1. Stufe
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern 6. Logisch schließende Agenten 7. Prädikatenlogik 1. Stufe 8. Entwicklung einer Wissensbasis 9. Schließen in der Prädikatenlogik
MehrFallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994:
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994: 1 Retrieve the most similar case 2 Reuse the solution and other information of the case 3 Revise the proposed
MehrUnterschiede herausarbeiten durch Variation des Wesentlichen.
Unterschiede herausarbeiten durch Variation des Wesentlichen. Gemeinsamkeiten herausarbeiten durch Varation des Unwesentlichen: Welches physikalische oder chemische Prinzip liegt hier zugrunde? Welches
MehrKI Seminar Vortrag Nr. 9 Unsicheres Wissen. Einleitung. Grundlagen. Wissen Ansätze. Sicherheitsfaktoren. Ansatz Probleme. Schlussfolgerungsnetze
Einleitung KI Seminar 2005 Vortrag Nr. 9 Unsicheres 1 Motivation Vögel können fliegen! 2 : Zuordnung von Wahrheitswerten, Wahrscheinlichkeitsgraden,. zu Aussagen, Ereignissen, Zuständen, 3 3 Eigenschaften
MehrSoft Control (AT 3, RMA)
Soft Control (AT 3, RMA) Zur 3. Übung Fuzzy Control Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken bearbeiten Prinzip eines Fuzzy Systems: 2 Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken
MehrEntscheidungsunterstützung/ Künstliche Intelligenz. Teil 2
Entscheidungsunterstützung/ Künstliche Intelligenz Teil 2 BiTS, Sommersemester 2005 Dr. Stefan Kooths KOOTHS BiTS: Entscheidungsunterstützung/Künstliche Intelligenz Teil 2 1 Gliederung 1. Einführung 2.
MehrTU7 Aussagenlogik II und Prädikatenlogik
TU7 Aussagenlogik II und Prädikatenlogik Daniela Andrade daniela.andrade@tum.de 5.12.2016 1 / 32 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds
MehrFuzzy Logic und Wahrscheinlichkeit
Philosophische Fakultät Institut für Philosophie, Lehrstuhl für Theoretische Philosophie, Holm Bräuer M.A. Fuzzy Logic und Wahrscheinlichkeit Ein Kurzüberblick Was ist Fuzzy Logic? Fuzzy-Logik (englisch:
MehrAlgorithmen & Programmierung. Steuerstrukturen im Detail Selektion und Iteration
Algorithmen & Programmierung Steuerstrukturen im Detail Selektion und Iteration Selektion Selektion Vollständige einfache Selektion Wir kennen schon eine Möglichkeit, Selektionen in C zu formulieren: if
MehrKünstliche Intelligenz
Künstliche Intelligenz Logische Agenten Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 02. November 2011 Logische Agenten Wissensbasierte Agenten Eine Modellwelt Aussagen Logik
MehrKapitel MK:II. II. Wissensrepräsentation
Kapitel MK:II II. Wissensrepräsentation Wissensrepräsentation in der Klassifikation Symbolisch versus subsymbolisch Problemlösungswissen Kennzeichen von Problemlösungswissen Prinzipien wissensbasierter
MehrInterdisziplinäre fachdidaktische Übung: Sprache und Modelle. SS 2015: Grossmann, Jenko
Interdisziplinäre fachdidaktische Übung: Sprache und Modelle SS 2015: Grossmann, Jenko Einleitung Was ist ein Modell? Sprachlich orientierte Modelle Beispiele Wie entstehen Modelle? Zusammenhang Modell
Mehr1 Inhalt der Vorlesung B-PS1
1 Inhalt der Vorlesung B-PS1 1.1 Tag 1 1.1.1 Vormittag Geschichte der Programmiersprachen Wie viele Programmiersprachen gibt es? https://en.wikipedia.org/wiki/list_of_programming_languages Esoterische
MehrProf. Dr. sc. Hans-Dieter Burkhard Vorlesung Winter-Semester 2005/06. Wissensrepräsentation 2:
Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Wissensrepräsentation 2: Strukturierung Regelsysteme Frames, Skripts Beschreibungssysteme Strukturen für die Wissensrepräsentation Regelsysteme:
MehrWas ist mathematische Logik?
Was ist mathematische Logik? Logik untersucht allgemeine Prinzipien korrekten Schließens Mathematische Logik stellt zu diesem Zweck formale Kalküle bereit und analysiert die Beziehung zwischen Syntax und
MehrBranchenneutrale Software-Systeme
Branchenneutrale Software-Systeme Neben Standard-Software findet sich ein breiter Markt an branchenneutralen Software-Systemen. Aus der Sicht der Pflegeinformatik gehören zu den branchenneutralen Software-
MehrDaten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten)
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Wissensrepräsentation und -verarbeitung in klassischer Aussagenlogik: Entscheidungstabellen,
MehrKünstliche Intelligenz Hornklauseln & Prolog
Künstliche Intelligenz Hornklauseln & Prolog Stephan Schwiebert WS 2007/2008 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Terminologie (A B C) E Rumpf einer Klausel
MehrInferenzmethoden. Einheit 20. Ausblick. 1. Systeme & Anwendungen 2. Zukunft der Deduktion 3. Vertiefungsmöglichkeiten
Inferenzmethoden Einheit 20 Ausblick 1. Systeme & Anwendungen 2. Zukunft der Deduktion 3. Vertiefungsmöglichkeiten Systeme NQTHM Logik und Induktion (Boyer & Moore) Inferenzmethoden 20 1 Ausblick Systeme
Mehr9. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Dominik Benz Fachgebiet Wissensverarbeitung 9. Übung Künstliche Intelligenz 21.01.2009 Wintersemester 2008/2009 1 Frames Betrachten Sie nochmals die beispielhafte Frame-Repräsentation
MehrKapitel 6: Logik. Teil 2. (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01)
Kapitel 6: Logik Teil 2 (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01) Künstliche Intelligenz, Kapitel 6 Logik 1 Wdh. Resolution Das Resolutionsprinzip
MehrKapitel MK:II. II. Wissensrepräsentation
Kapitel MK:II II. Wissensrepräsentation Wissensrepräsentation in der Klassifikation Symbolisch versus subsymbolisch Problemlösungswissen Kennzeichen von Problemlösungswissen Prinzipien wissensbasierter
MehrHilbert: Prädikatenlogik Teil I (formale Beweise) Text von Hilbert; Text von Halbeisen et al. Christine Simantiri Ueli Gisiger
Hilbert: Prädikatenlogik Teil I (formale Beweise) Text von Hilbert; Text von Halbeisen et al. Christine Simantiri Ueli Gisiger 13.04.2016 Hilbert: Prädikatenlogik Teil I (formale Beweise) Ablauf der Text-Vorstellung
MehrEmpirische Forschung 4. Übung zur Vorlesung Kognitive Modellierung
Empirische Forschung 4 Übung zur Vorlesung Kognitive Modellierung S. 1 Gliederung Literaturangaben zu empirischer Forschung Einführung in den Themenbereich Analogien / Analoges Schließen Veranschaulichung
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 18. Januar 2006 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
MehrAufgabe 1 (Allgemeines)
Klausur... Einführung in die Künstliche Intelligenz 1SS08 Aufgabe 1 (Allgemeines) (4 Punkte) a) In der Künstlichen Intelligenz unterscheidet man symbolische und subsymbolische Verfahren. Beschreibe diese
Mehr8 Einführung in Expertensysteme. 21. Vorlesung: Regelbasiertes Programmieren und Expertensysteme
8 Einführung in Expertensysteme 21. Vorlesung: Regelbasiertes Programmieren und Expertensysteme! " Francis Bacon (1561-1626) Ed Feigenbaum (1976)! " # Idee: Explizites Wissen über einen Aufgabenbereich
MehrHeuristische Verfahren
Heuristische Verfahren Bei heuristischen Verfahren geht es darum in polynomieller Zeit eine Näherungslösung zu bekommen. Diese kann sehr gut oder sogar optimal sein, jedoch gibt es keine Garantie dafür.
MehrFranco di Primio Hybride Wissensverarbeitung
Franco di Primio Hybride Wissensverarbeitung Franco di Primio Hybride Wissensverarbeitung Am Beispiel von BABYLON ~ Springer Fachmedien Wiesbaden GmbH Die Deutsche Bibliothek - ClP-Einheitsaufnahme DiPrimio,
MehrKapitel Fuzzy Logic. Überblick. 20_1_fuzzy_logic.PRZ
Kapitel.3 Fuzzy Logic Überblick 2 fuzzy_logic.prz 2..5 Definition Fuzzy Logik Erweiterung der klassischen Logik um unscharfe Mengenzugehörigkeiten und Regeln, für die keine exakten Vorschriften bestehen.
MehrKünstliche Intelligenz Softwaretechnologie: Prolog
Künstliche Intelligenz Softwaretechnologie: Prolog Stephan Schwiebert sschwieb@spinfo.uni-koeln.de Wiederholung Konzepte logische Äquivalenz Die Aussagen p und q sind genau dann äquivalent, wenn sie unter
MehrTeil 2. Teilbereiche der KI Der intelligente Agent
Teil 2 Teilbereiche der KI Der intelligente Agent Teil 2.1 Teilbereiche der KI Zwei Paradigmen der KI subsymbolische KI Genetische Algorithmen Neuronale Netze Maschinelles Lernen Planen Wissensrepräsentation
MehrLernen von Mathematik über Analogien
Lernen von Mathematik über Analogien KogSys Seminar Analogien Jacqueline Hofmann S. 1 Transfer bei mathematischen Textaufgaben Textaufgabe: erfundenes Problem, das quantitative Eigenschaften von Objekten
MehrAlgorithmen und Datenstrukturen I - Exkurs Formale Sprachen -
Algorithmen und Datenstrukturen I - Exkurs Formale Sprachen - Thies Pfeiffer Technische Fakultät tpfeiffe@techfak.uni-bielefeld.de Vorlesung, Universität Bielefeld, Winter 2012/2013 1 / 1 Exkurs: Formale
MehrVorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage
xi Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage vii ix xi 1 Einleitung 1 1.1 Über dieses Buch........................... 1 1.2 Themenbereiche des Buches.....................
MehrVorlesung Wissensbasierte Systeme
Vorlesung Wissensbasierte Systeme Eine Übersicht FHNW-SO Dr. T. Nouri kbs-deutsch99.doc KI-Wissenbasierte systeme 18.5.2004FH-NW/So 1/31 Inhaltsverzeichnis 1 Einführung...4 1.1 Definition und Motivation...4
MehrKonzepte der AI. Unsicheres Schließen
Konzepte der AI Unsicheres Schließen http://www.dbai.tuwien.ac.at/education/aikonzepte/ Wolfgang Slany Institut für Informationssysteme, Technische Universität Wien mailto: wsi@dbai.tuwien.ac.at, http://www.dbai.tuwien.ac.at/staff/slany/
MehrVorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage. 1 Einleitung Über dieses Buch Themenbereiche des Buches 2
xi Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage vii ix xi 1 Einleitung 1 1.1 Über dieses Buch 1 1.2 Themenbereiche des Buches 2 2 Wissensbasierte Systeme im Uberblick 7
MehrFormale Methoden II. Gerhard Jäger. SS 2005 Universität Bielefeld. Teil 3, 12. Mai Formale Methoden II p.1/23
Formale Methoden II SS 2005 Universität Bielefeld Teil 3, 12. Mai 2005 Gerhard Jäger Formale Methoden II p.1/23 Logische Folgerung Definition 6 (Folgerung) Eine Formel ϕ folgt logisch aus einer Menge von
Mehrtypische Beweismuster Allgemeine Hilfe Beweistechniken WS2014/ Januar 2015 R. Düffel Beweistechniken
Beweistechniken Ronja Düffel WS2014/15 13. Januar 2015 Warum ist Beweisen so schwierig? unsere natürliche Sprache ist oft mehrdeutig wir sind in unserem Alltag von logischen Fehlschlüssen umgeben Logik
Mehrmathematik und informatik
Prof. Dr. Christoph Beierle, Prof. Dr. Gabriele Kern-Isberner Kurs 01845 Methoden der Wissensrepräsentation und -verarbeitung LESEPROBE mathematik und informatik Das Werk ist urheberrechtlich geschützt.
MehrFuzzy Control methodenorientiert. von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern
Fuzzy Control methodenorientiert von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern R. Oldenbourg Verlag München Wien 1997 Inhaltsverzeichnis Vorwort XI 1 Einführung 1 1.1 Entstellung
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
MehrInhaltsverzeichnis. 1 Einleitung Analyse des Webprozesses in Theorie und Praxis... 11
Inhaltsverzeichnis Geleitwort...V Vorwort und Danksagungen... 7 Übersicht...9 Abstract...11 Inhaltsübersicht...17 Verzeichnis der Abbildungen... 25 Verzeichnis der Tabellen... 27 Verzeichnis der Abkürzungen...
MehrWas bisher geschah Modellierung in Logiken: klassische Prädikatenlogik FOL(Σ, X) Spezialfall klassische Aussagenlogik AL(P)
Was bisher geschah Modellierung in Logiken: klassische Prädikatenlogik FOL(Σ, X) Spezialfall klassische Aussagenlogik AL(P) Syntax Semantik Signatur, Variablen Terme (induktive Definition, Baumform) Atome
Mehr3. Exkurs in weitere Arten der Programmierung
3. Exkurs in weitere Arten der Programmierung Inhalt: Objektorientierte Programmierung in C++ Funktional-Logische Programmierung in Prolog Funktional-logische Programmierung in Prolog Prolog Programming
MehrFuzzy-Logik und Fuzzy-Control
Georg Jaanineh / Markus Maijohann Fuzzy-Logik und Fuzzy-Control Vogel Buchverlag Inhaltsverzeichnis Vorwort 5 TEIL1 1 Einleitung 13 2 Klassische Mengen und klassische Logik 17 2.1 Klassische Mengen 17
MehrSeminar: Denken und Problemlösen Dozent: Prof. Dr. Joachim Funke. Referent: Philip Furley
Seminar: Denken und Problemlösen Dozent: Prof. Dr. Joachim Funke Referent: Philip Furley Gliederung Einleitung Ziel: Gemeinsamkeiten und Unterschiede der Sichtweisen der Künstlichen Intelligenz und der
Mehr{P} S {Q} {P} S {Q} {P} S {Q} Inhalt. Hoare-Kalkül. Hoare-Kalkül. Hoare-Tripel. Hoare-Tripel. Hoare-Tripel
Inhalt Hoare-Kalkül Formale Verifizierung Hoare-Kalkül while-sprache Terminierung Partielle / totale Korrektheit 4.0 Hoare-Kalkül entwickelt von C.A.R. (Tony) Hoare (britischer Informatiker), 1969 formales
Mehr