Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten)

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten)"

Transkript

1 Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Wissensrepräsentation und -verarbeitung in klassischer Aussagenlogik: Entscheidungstabellen, Entscheidungsbäume, BDDs,, OBDDs Wissensrepräsentation und -verarbeitung durch Regelsysteme (klassische Aussagen- und Prädikatenlogik) Regeln (Deduktions- und Aktionsregeln) Vorwärts- und Rückwärtsverkettung Konflikte und Konfliktlösestrategien Ansätze des nichtmonotonen Schließens (closed world asssumption, schwache Negation)

2 Anwendung wissensbasierter Systeme Problemlösen: analytisch: Klassifikation, Diagnose Auswahl aus einer vorgegebenen Menge von Alternativen synthetisch: Planung von Systemen, Aktionsfolgen Konstruktion der Lösung aus einer Menge elementarer Bausteine Simulation: (mehrfache) Ausführung eines Simulationsmodelles Finden einer Lösung mit statistischen Methoden.

3 Klassifikation Ziel: Einteilung von Objekten anhand bestimmter Merkmale in Klassen (Auswahl einer Lösung für einen Fall aus einer Menge gegebener Alternativen) M Menge von Merkmalen m (Symptome, Attribute) jedes Merkmal m mit zugeordneter Menge V m möglicher Werte z.b. M = {a, g} mit Alter a, V a = N, Geschlecht g, V g = {m, w} Merkmalsraum: m M V m O M Menge aller Objekte (Fälle) Jedem Objekt o O sind seine Merkmalswerte m o m M V m zugeordnet. z.b Tom O mit m Tom = (5, m) K Menge aller Klassen (Diagnosen, Lösungen) jede Klasse repräsentiert eine Teilmenge des Merkmalsraumes m M V m z.b. Baby: V a 2, Kind, Mädchen oft hilfreich: geometrische Interpretation

4 Klassifikationsprobleme gegeben: Objekt o O mit Merkmalswerten m o Zuordnung K X K mit X K M jede Klasse definiert durch Merkmalswerte (oft Intervalle) gesucht: Zuordnung Objekt o O zu Klasse K mit m o X K Beispiel: Klassifikation von Objekte: Adler, Biber, Elefant, Fledermaus, Gorilla, Hecht, Pinguin, Specht Merkmale: Federn, Schuppen, Fell, kann fliegen, kann schwimmen, legt Eier Klassen: Säugetier, Fisch, Vogel

5 Diagnose-Probleme Spezialfall von Klassifikationsproblemen: Objekte: Fälle Merkmale: Fragen, Tests Merkmalswerte: Antworten Klassen: Diagnosen Anwendungen, z.b. in Medizin: Krankheitserkennung Entscheidung für eine Therapie Auswertung von Studien Technische System: Konfiguration Feststellung von Störungen Entscheidung für Vorgehen bei Behebung

6 Klassifikation durch Entscheidungsbäume Wissensbasis: Entscheidungsbaum mit innere Knoten: Merkmale Kanten: Merkmalsausprägungen (Werte) Blätter: Klassen Repräsentation des Problems (Objekt, Fall): fallspezifische Merkmalswerte Repräsentation der Lösung: Zuordnung des Objektes (Falles) zu einer Klasse z.b. Symptome zu einer Diagnose Problemlöseverfahren: Pfadverfolgung im Entscheidungsbaum Beispiel: Tiere Aber: Fehleinordnungen möglich z.b. Mensch, Fledermaus, Wal daher: oft Anpassungen (Lernen, Training) notwendig

7 Beipiel Merkmale (Attribute) mit Menge möglicher Werte (Ausprägungen) Beispiele: Name: Tom, Tina, Anna, Paul Geschlecht, Werte: w, m Alter: natürliche Zahl Objekte definiert durch Zuordnung: Merkmal Wert Beispiele: Name Tina, Alter 7, Geschlecht w Name Paul, Alter 87, Geschlecht m Klassen Kombination von Merkmalswerten definiert Menge von Objekten Beispiele: Rentner: Geschlecht = m und Alter 65 Mädchen: Geschlecht = w und Alter 14 Test vor Röntgen: Geschlecht = w und Alter {15, 50}

8 Klassifikationsmethoden sichere Klassifikation klar begrenzte Klassen, Zuordnung Objekt Klasse immer wahr oder falsch Methoden: z.b. Entscheidungsbäume, Entscheidungstabellen, Regelsysteme überdeckende Klassifikation: Schließen von Klasse auf (typische) Merkmale unsichere / heuristische Klassifikation (Verwendung von Erfahrungswerten) Zuordnung Objekt Klasse nicht immer klar Methoden: z.b. heuristische Entscheidungsbäume, heuristische Entscheidungstabellen, Regelsysteme mit gewichteten Regeln statistische, unscharfe Klassifikation fallbasierte Klassifikation: Suche nach Lösungen für ähnliche Fälle Grundfrage: Wann sind Fälle ähnlich zueinander? verschiedene Ansätze, z.b. Hamming-Abstand der Merkmalsvektoren Verwaltung großer Datenmengen (vorangegangener Fälle)

9 Sichere Klassifikation durch Wissensverarbeitung Entscheidungstabellen, - bäume, BDDs logische Programme (Prolog) logisches Programm: Menge von Fakten und Regeln Wissensverarbeitung durch Rückwärtsverkettung deduktive Datenbanken (erlauben rekursive Abfragen): extensionale Datenbasis: Datenbank (Menge von Relationen) repräsentiert die Faktenmenge Regelsysteme als Datalog-Programm (Anfragen) intensionale Datenbasis: Menge aller ableitbaren Fakten Wissensverarbeitung durch Vorwärtsverkettung

10 Überdeckende Klassifikation Umkehrung der Zuordnung Merkmalskombination Klasse zu zu einer Zuordnung Klasse typische Merkmale nutzt Merkmalswerte als Erklärung der Klassenzugehörigkeit Überdeckung der Objektmengen durch Klassen (Lösungen) Suche nach Klasse (Lösung), die die Merkmalswerte des Objektes am besten erklären kann Mehrfachdiagnosen möglich sinnvoll bei voneinander unabhängigen Merkmalen und sehr aussagefähigen Merkmalswerten z.b. schwanger weiblich

11 Heuristische Klassifikation bei unvollständigem, unsicherem, unzuverlässigem Wissen Lösung (Klasse, Diagnose) ist Verdacht Lösungen werden bewertet und verglichen, um die / eine beste Lösung zu finden numerische Bewertung von Plausibilität Glaubwürdigkeit Häufigkeit

12 Beispiele für Diagnosesysteme Diagnosesystem für Zuckerrübenkrankheiten: http: //schaeden.rheinmedia.de/cgi-bin/schaedlinge_ ausgabe.cgi?sprache=bisz_de&partner=bisz Zimmerpflanzenkrankheiten Zierfische Diagnose/Diagnosehilfe

13 Diagnosesystem-Shell d3web d3web: Diagnosesystem-Baukasten d3web bietet Problemlösekomponente: verschiedene Repräsentations- und Klassifikationsmethoden weitere Komponenten, z.b. Dialog, Editoren für Wissensbasis Entwickler erzeugt Wissensbasis: Fragen (Merkmale), Antworten (Merkmalswerte), Diagnosen (Lösungen, Klassen) und Zusammenhänge zwischen diesen, z.b. Entscheidungsbäume, Regeln

14 Diagnoseverfahren in d3web sicher: Entscheidungstabellen, -bäume, -diagramme Regelsysteme heuristisch: Merkmal Klasse (Diagnose, Lösung) heuristische Entscheidungsbäume Diagnose-Score überdeckend: Klasse (Diagnose, Lösung) Merkmal kausaler Diagnose-Score

Was bisher geschah. Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose)

Was 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

Mehr

Wissensrepräsentation und -verarbeitung in Logiken. bereinigt Pränex Skolem ( -Eliminierung) Klausel (Menge von Klauseln, Notation ohne Quantoren)

Wissensrepräsentation und -verarbeitung in Logiken. bereinigt Pränex Skolem ( -Eliminierung) Klausel (Menge von Klauseln, Notation ohne Quantoren) Was bisher geschah Wissensrepräsentation und -verarbeitung in Logiken klassische Aussagenlogik klassische Prädikatenlogik: Wiederholung Syntax, Semantik Normalformen: bereinigt Pränex Skolem ( -Eliminierung)

Mehr

Was bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion

Was bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Wissensrepräsentation und -verarbeitung: Wissensbasis Kontextwissen Problemdarstellung fallspezifisches Wissen repräsentiert

Mehr

Nichtmonotones Schließen

Nichtmonotones Schließen Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen klassischer Aussagenlogik: Entscheidungstabellen, -bäume, -diagramme Wissensrepräsentation und -verarbeitung durch

Mehr

Wissensbasierte Diagnosesysteme

Wissensbasierte Diagnosesysteme Wissensbasierte Diagnosesysteme Prof. Dr. Sibylle Schwarz Westsächsische Hochschule Zwickau Dr. Friedrichs-Ring 2a, RII 263 http://www.fh-zwickau.de/~sibsc/ sibylle.schwarz@fh-zwickau.de WS 2012/2013 Motivation

Mehr

Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen Constraint-Systemen Logiken Repräsentation von Mengen

Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen Constraint-Systemen Logiken Repräsentation von Mengen Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen Constraint-Systemen Logiken Repräsentation von Mengen aussagenlogischer Regeln: Wissensbasis (Kontextwissen): Formelmenge,

Mehr

Wissensrepräsentation 2

Wissensrepräsentation 2 Wissensrepräsentation Jürgen Dorn Inhalt Wissen und Intelligenz deklarative versus prozedurale Wissensrepräsentation Wissensbasierte Systeme Wissensrepräsentationsformalismen Das Auto springt nicht an!

Mehr

Woher Methoden der KI stammen Gebiete der Künstlichen Intelligenz wissensbasierte Systeme

Woher Methoden der KI stammen Gebiete der Künstlichen Intelligenz wissensbasierte Systeme Woher Methoden der KI stammen Gebiete der Künstlichen Intelligenz (induktives) Lernen Aus einer anwendungsorientierten Sicht spielen in der Künstlichen Intelligenz insbesondere folgende Gebiete eine Rolle:

Mehr

Fragen zum Nachdenken: Wie könnte man das Fehlen eines Attribut-Wertes interpretieren?

Fragen zum Nachdenken: Wie könnte man das Fehlen eines Attribut-Wertes interpretieren? Attribut-Werte-Paare Eine Eigenschaft kann beschrieben werden durch ein Paar [a,w]. Dabei bezeichnet a das Attribut und w den konkreten Wert aus dem Wertebereich W a des Attributs. Die Eigenschaften eines

Mehr

Fakten, Regeln und Anfragen

Fakten, Regeln und Anfragen Fakten, Regeln und Anfragen Prolog Grundkurs WS 99/00 Christof Rumpf rumpf@uni-duesseldorf.de 18.10.99 GK Prolog - Fakten, Regeln und Anfragen 1 Programmieren = Problemlösen Prolog ist eine deklarative

Mehr

Inhaltliche Planung für die Vorlesung

Inhaltliche Planung für die Vorlesung Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme

Mehr

Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation

Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation sicher heuristisch überdeckend Entscheidungstabellen

Mehr

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining

Mehr

Die qualitative Fehlerbaumanalyse am Beispiel einer Präsentation. -Sandra Mierz-

Die qualitative Fehlerbaumanalyse am Beispiel einer Präsentation. -Sandra Mierz- Die qualitative Fehlerbaumanalyse am Beispiel einer Präsentation -Sandra Mierz- Gliederung Definition Anwendungsgebiete der Fehlerbaumanalyse Vorgehen Fehlerbaum erstellen Fehlerbaum auswerten Vorteile

Mehr

Konjunktive und disjunktive Normalformen

Konjunktive und disjunktive Normalformen Konjunktive und disjunktive Normalformen Nachdem gesprochen wurde, wie man Boolesche Terme unter einer Belegung der Variablen interpretiert und dass somit jeder Boolesche Term eine Boolesche Funktion repräsentiert,

Mehr

SWP Logische Programme

SWP Logische Programme SWP Logische Programme Alexander Felfernig, Stephan Gspandl Institut für Softwaretechnologie {alexander.felfernig,sgspandl}@ist.tugraz.at Institute for Software Technology Inhalt Motivation Logische Programme

Mehr

Kapitel ML: III (Fortsetzung)

Kapitel ML: III (Fortsetzung) Kapitel ML: III (Fortsetzung) III. Entscheidungsbäume Repräsentation und Konstruktion Impurity-Funktionen Entscheidungsbaumalgorithmen Pruning ML: III-87 Decision Trees c STEIN/LETTMANN 2005-2011 Missklassifikationskosten

Mehr

Outline. 1 Einleitung. 2 Einführung in C. 3 Fortgeschrittenes in C. 4 Einführung in Emacs Lisp. 5 Einführung in Prolog

Outline. 1 Einleitung. 2 Einführung in C. 3 Fortgeschrittenes in C. 4 Einführung in Emacs Lisp. 5 Einführung in Prolog Outline 1 Einleitung 2 Einführung in C 3 Fortgeschrittenes in C 4 Einführung in Emacs Lisp 5 Einführung in Prolog Prolog... vom Französischen: Programmation en Logique Anfang 1970er maßgeblich von Alain

Mehr

Modellbasierte Diagnosesysteme

Modellbasierte Diagnosesysteme Modellbasierte Diagnosesysteme Diagnose: Identifikation eines vorliegenden Fehlers (Krankheit) auf der Basis von Beobachtungen (Symptomen) und Hintergrundwissen über das System 2 Arten von Diagnosesystemen:

Mehr

Analytische Statistik II

Analytische Statistik II Analytische Statistik II Institut für Geographie 1 Schätz- und Teststatistik 2 Grundproblem Generell sind wir nur selten in der Geographie in der Lage, Daten über die Grundgesamtheit zur Verfügung zu haben.

Mehr

Ankündigung Begriffliche Wissensverarbeitung

Ankündigung Begriffliche Wissensverarbeitung Tagungen Ankündigung Begriffliche Wissensverarbeitung Technische Hochschule Darmstadt Fachbereich Mathematik Schloßgartenstraße 7 Raum 201 (Forschungsgruppe Begriffsanalyse ) Beginn: 23.02.94, 16.00 Uhr

Mehr

Mütze und Handschuhe trägt er nie zusammen. Handschuhe und Schal trägt er immer zugleich. (h s) Modellierung als Klauselmenge

Mütze und Handschuhe trägt er nie zusammen. Handschuhe und Schal trägt er immer zugleich. (h s) Modellierung als Klauselmenge Was bisher geschah Klassische Aussagenlogik: Syntax Semantik semantische Äquivalenz und Folgern syntaktisches Ableiten (Resolution) Modellierung in Aussagenlogik: Wissensrepräsentation, Schaltungslogik,

Mehr

Formeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur

Formeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur Signatur Formeln Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die

Mehr

Deskriptive Statistik Kapitel III - Merkmalsarten

Deskriptive Statistik Kapitel III - Merkmalsarten Deskriptive Statistik Kapitel III - Merkmalsarten Georg Bol bol@statistik.uni-karlsruhe.de hoechstoetter@statistik.uni-karlsruhe.de April 26, 2006 Typeset by FoilTEX Agenda 1. Merkmalsarten 2. Skalen 3.

Mehr

3.Inferenzsysteme 3.4 Logische Programme und Antwortmengensemantik

3.Inferenzsysteme 3.4 Logische Programme und Antwortmengensemantik Darstellung, Verarbeitung und Erwerb von Wissen 3.Inferenzsysteme 3.4 Logische Programme und Antwortmengensemantik DVEW WS 2004/05 c Gabriele Kern-Isberner 1 Stratifizierte Programme (Whlg.) Sei P ein

Mehr

Moderne Methoden der KI: Maschinelles Lernen

Moderne Methoden der KI: Maschinelles Lernen Moderne Methoden der KI: Maschinelles Lernen Prof. Dr.Hans-Dieter Burkhard Vorlesung Entscheidungsbäume Darstellung durch Regeln ID3 / C4.5 Bevorzugung kleiner Hypothesen Overfitting Entscheidungsbäume

Mehr

Relationales Datenmodell

Relationales Datenmodell Relationales Datenmodell Ein Datenmodell hat zwei Bestandteile: Eine mathematische Notation zur Darstellung von Daten und Beziehungen. Operationen auf den Daten, um Abfragen und andere Manipulationen zu

Mehr

Seminar Text- und Datamining Datamining-Grundlagen

Seminar Text- und Datamining Datamining-Grundlagen Seminar Text- und Datamining Datamining-Grundlagen Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 23.05.2013 Gliederung 1 Klassifikationsprobleme 2 Evaluation

Mehr

Vorlesung Maschinelles Lernen

Vorlesung Maschinelles Lernen Vorlesung Maschinelles Lernen Additive Modelle Katharina Morik Informatik LS 8 Technische Universität Dortmund 7.1.2014 1 von 34 Gliederung 1 Merkmalsauswahl Gütemaße und Fehlerabschätzung 2 von 34 Ausgangspunkt:

Mehr

Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens

Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung

Mehr

Entscheidungsbaumverfahren

Entscheidungsbaumverfahren Entscheidungsbaumverfahren Allgemeine Beschreibung Der Entscheidungsbaum ist die Darstellung einer Entscheidungsregel, anhand derer Objekte in Klassen eingeteilt werden. Die Klassifizierung erfolgt durch

Mehr

TEIL 7: EINFÜHRUNG UNIVARIATE ANALYSE TABELLARISCHE DARSTELLUNG / AUSWERTUNG

TEIL 7: EINFÜHRUNG UNIVARIATE ANALYSE TABELLARISCHE DARSTELLUNG / AUSWERTUNG TEIL 7: EINFÜHRUNG UNIVARIATE ANALYSE TABELLARISCHE DARSTELLUNG / AUSWERTUNG Statistik eine Umschreibung Mathematische Hilfswissenschaft mit der Aufgabe, Methoden für die Sammlung, Aufbereitung, Analyse

Mehr

Beschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de

Beschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de Beschreibungslogiken Daniel Schradick 1schradi@informatik.uni-hamburg.de Was sind Beschreibungslogiken? Definition: Formalisms that represent knowledge of some problem domain (the world ) by first defining

Mehr

CAS genesisworld.exchange connect Abgleich von Adressen und Terminen

CAS genesisworld.exchange connect Abgleich von Adressen und Terminen Abgleich von Adressen und Terminen Stand Juni 2004 Was ist CAS genesisworld.exchange connect? Inhalt 1 Was ist CAS genesisworld.exchange connect?... 3 2 Systemvoraussetzungen... 5 2.1 Software...5 2.2

Mehr

Binärer Entscheidungsbaum. für Boole sche Funktionen. (binary decision tree: BDT) Kapitel 4: Binäre Entscheidungsdiagramme

Binärer Entscheidungsbaum. für Boole sche Funktionen. (binary decision tree: BDT) Kapitel 4: Binäre Entscheidungsdiagramme Kapitel 4: Binäre Entscheidungsdiagramme (BDDs) BDDs (binary decision diagrams) wurden aus binären Entscheidungsbäumen für boole sche Funktionen entwickelt. Binärer Entscheidungsbaum (binary decision tree:

Mehr

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002)

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) 3. Entscheidungsbäume Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002) (aus Wilhelm 2001) Beispiel: (aus Böhm 2003) Wann sind Entscheidungsbäume

Mehr

5 Logische Programmierung

5 Logische Programmierung 5 Logische Programmierung Logik wird als Programmiersprache benutzt Der logische Ansatz zu Programmierung ist (sowie der funktionale) deklarativ; Programme können mit Hilfe zweier abstrakten, maschinen-unabhängigen

Mehr

Mengenlehre. Spezielle Mengen

Mengenlehre. Spezielle Mengen Mengenlehre Die Mengenlehre ist wie die Logik eine sehr wichtige mathematische Grundlage der Informatik und ist wie wir sehen werden auch eng verbunden mit dieser. Eine Menge ist eine Zusammenfassung von

Mehr

Baader Nutt 1: Basic Description Logics

Baader Nutt 1: Basic Description Logics Baader Nutt 1: Basic Description Logics Ludwig Maximilians Universität München Sommersemester 2009 Institut: CIS Hauptseminar: Beschreibungslogik Seminarleiter: Hans Leiß, Martin Hofmann Referentin: Natalia

Mehr

Gliederung. Programmierparadigmen. Einführung in Prolog: Einführung in Prolog: Programmieren in Prolog. Einführung Syntax Regeln Listen Relationen

Gliederung. Programmierparadigmen. Einführung in Prolog: Einführung in Prolog: Programmieren in Prolog. Einführung Syntax Regeln Listen Relationen Gliederung Programmierparadigmen Programmieren in Prolog D. Rösner Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität Magdeburg 1 Sommer 2011, 26. April

Mehr

Mathematik für Informatiker I Mitschrift zur Vorlesung vom 14.12.2004

Mathematik für Informatiker I Mitschrift zur Vorlesung vom 14.12.2004 Mathematik für Informatiker I Mitschrift zur Vorlesung vom 14.12.2004 In der letzten Vorlesung haben wir gesehen, wie man die einzelnen Zahlenbereiche aufbaut. Uns fehlen nur noch die reellen Zahlen (siehe

Mehr

Wissensbasierte Systeme

Wissensbasierte Systeme WBS5 Slide 1 Wissensbasierte Systeme Vorlesung 5 vom 17.11.2004 Sebastian Iwanowski FH Wedel WBS5 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien

Mehr

2. Lernen von Entscheidungsbäumen

2. Lernen von Entscheidungsbäumen 2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse

Mehr

Logische Programmierung

Logische Programmierung Logische Programmierung B-82 Deklaratives Programmieren in Prädikatenlogik: Problem beschreiben statt Algorithmus implementieren (idealisiert). Grundlagen: Relationen bzw. Prädikate (statt Funktionen);

Mehr

Wissensbasierte Systeme/ Expertensysteme. Teil 2

Wissensbasierte Systeme/ Expertensysteme. Teil 2 Wissensbasierte Systeme/ Expertensysteme Teil 2 BiTS, Sommersemester 2004 Dr. Stefan Kooths KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 2 1 Gliederung 1. Einführung und Einordnung 2. Entscheidungsunterstützung(ssysteme)

Mehr

Wissensbasierte Systeme

Wissensbasierte Systeme WBS4 Slide 1 Wissensbasierte Systeme Vorlesung 4 vom 03.11.2004 Sebastian Iwanowski FH Wedel WBS4 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien

Mehr

x 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen

x 2 x 1 x 3 5.1 Lernen mit Entscheidungsbäumen 5.1 Lernen mit Entscheidungsbäumen Falls zum Beispiel A = {gelb, rot, blau} R 2 und B = {0, 1}, so definiert der folgende Entscheidungsbaum eine Hypothese H : A B (wobei der Attributvektor aus A mit x

Mehr

TEIL 13: DIE EINFACHE LINEARE REGRESSION

TEIL 13: DIE EINFACHE LINEARE REGRESSION TEIL 13: DIE EINFACHE LINEARE REGRESSION Die einfache lineare Regression Grundlagen Die einfache lineare Regression ist ebenfalls den bivariaten Verfahren für metrische Daten zuzuordnen 1 Sie hat einen

Mehr

Klassifikation im Bereich Musik

Klassifikation im Bereich Musik Klassifikation im Bereich Musik Michael Günnewig 30. Mai 2006 Michael Günnewig 1 30. Mai 2006 Inhaltsverzeichnis 1 Was ist eine Klassifikation? 3 1.1 Arten und Aufbau von Klassifikationen.................

Mehr

Integralrechnung. Mathematik-Repetitorium

Integralrechnung. Mathematik-Repetitorium Integralrechnung 6.1 Geometrische Interpretation 6.2 Grundaufgabe 6.3 Basisintegrale, Regeln 6.4 Produktregel: Partielle Integration 6.5 Quotienten 6.6 Variablensubstitution 6.7 Integration von Potenzreihen

Mehr

Computer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10

Computer Vision: AdaBoost. D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Computer Vision: AdaBoost D. Schlesinger () Computer Vision: AdaBoost 1 / 10 Idee Gegeben sei eine Menge schwacher (einfacher, schlechter) Klassifikatoren Man bilde einen guten durch eine geschickte Kombination

Mehr

Wissenschaftstheoretische Grundlagen

Wissenschaftstheoretische Grundlagen Wissenschaftstheoretische Grundlagen Gemeinsame Annahme von allen wissenschaftstheoretischen Ansätze der empirischen Wissenschaften Es existiert eine reale Welt, die unabhängig ngig vom Beobachter ist.

Mehr

BI im Dallmayr Delikatessenhaus

BI im Dallmayr Delikatessenhaus BI im Dallmayr Delikatessenhaus mit QlikView München, 05. Mai 2011 Vortrag Dallmayr Delikatessenhaus geschichtlicher Abriss Aufbau unseres BI-Systems was zeitlich geschah Infrastruktur ein grober Überblick

Mehr

Auswertung der Studiengebühren-Umfrage oder:

Auswertung der Studiengebühren-Umfrage oder: Auswertung der -Umfrage oder: 24. 06. 2005-3h zur Akzeptanz von Fragen zu Informationsstand zu und Informationsquellen Zahlungsmodalität und Höhe von in mit Quellen zur Finanzierung von Verteilung der

Mehr

Kapitel MK:V. V. Diagnoseansätze

Kapitel 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

Mehr

9. Heuristische Suche

9. Heuristische Suche 9. Heuristische Suche Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S Heuristische Suche Idee: Wir nutzen eine (heuristische)

Mehr

Kapitel MK:I. I. Einführung. Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI

Kapitel MK:I. I. Einführung. Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI Kapitel MK:I I. Einführung Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI MK:I-29 I Introduction STEIN 1998-2009 Ursprung der Methoden der KI/Wissensverarbeitung (induktives)

Mehr

Zahlen und Fakten zur Rede von Dr. Paul Becker, Vizepräsident des Deutschen Wetterdienstes

Zahlen und Fakten zur Rede von Dr. Paul Becker, Vizepräsident des Deutschen Wetterdienstes Zahlen und Fakten zur Rede von Dr. Paul Becker, Vizepräsident des Deutschen Wetterdienstes Gefahren durch extreme Niederschläge nehmen ab Mitte des Jahrhunderts deutlich zu Inhalt Seite Veränderung der

Mehr

Informationsverarbeitungs-Theorie

Informationsverarbeitungs-Theorie Folie 1 Entscheidungs-Werkstatt Entscheidungsschritte nacheinander planen und durchführen. Folie 2 Nach diesem Training können Sie Entscheidungstypen voneinander unterscheiden (Systematische- und Musterentscheidung)

Mehr

Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie

Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe

Mehr

Mai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln

Mai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese

Mehr

Sudoku. Warum 6? Warum 6?

Sudoku. Warum 6? Warum 6? . / Sudoku Füllen Sie die leeren Felder so aus, dass in jeder Zeile, in jeder Spalte und in jedem x Kästchen alle Zahlen von bis stehen.. / Warum?. / Warum?. / Geschichte der Logik Syllogismen (I) Beginn

Mehr

Methoden der unscharfen Optimierung

Methoden der unscharfen Optimierung Methoden der unscharfen Optimierung Mike Hüftle Juli 2005 Inhaltsverzeichnis 1 Einleitung 2 1.1 Unscharfe Mengen.......................... 2 2 Unscharfe Mengen 3 2.1 Zugehörigkeit.............................

Mehr

Christian-Weise-Gymnasium Zittau Fachbereich Informatik M. Hans. Datenmodellierung 1. Inhaltsverzeichnis

Christian-Weise-Gymnasium Zittau Fachbereich Informatik M. Hans. Datenmodellierung 1. Inhaltsverzeichnis Datenmodellierung 1 Inhaltsverzeichnis 1. Informationsstruktur ermitteln...2 2. Datenstruktur modellieren...3 2.1 Elemente des ER-Modells...3 2.1.1 Entities...3 2.1.2 Beziehungen zwischen Entities...4

Mehr

Visualisierung der Imperfektion in multidimensionalen Daten

Visualisierung der Imperfektion in multidimensionalen Daten Visualisierung der Imperfektion in multidimensionalen Daten Horst Fortner Imperfektion und erweiterte Konzepte im Data Warehousing Betreuer: Heiko Schepperle 2 Begriffe (1) Visualisierung [Wikipedia] abstrakte

Mehr

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend

Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten

Mehr

Grundbegriffe der Wahrscheinlichkeitstheorie

Grundbegriffe der Wahrscheinlichkeitstheorie KAPITEL 1 Grundbegriffe der Wahrscheinlichkeitstheorie 1. Zufallsexperimente, Ausgänge, Grundmenge In der Stochastik betrachten wir Zufallsexperimente. Die Ausgänge eines Zufallsexperiments fassen wir

Mehr

Inhaltsverzeichnis. vii

Inhaltsverzeichnis. vii Inhaltsverzeichnis 1 Warum dieses Buch?... 1 1.1 Was erwartet Sie in diesem Buch?..... 1 2 Grundlagen semantischer Netze... 3 2.1 Objekte... 4 2.2 Eigenschaften...... 4 2.3 Kernideen und Grundsätze semantischer

Mehr

4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum

4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum 4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.

Mehr

Einführung in die Informatik 2

Einführung in die Informatik 2 Einführung in die Informatik 2 Mathematische Grundbegriffe Sven Kosub AG Algorithmik/Theorie komplexer Systeme Universität Konstanz E 202 Sven.Kosub@uni-konstanz.de Sprechstunde: Freitag, 12:30-14:00 Uhr,

Mehr

Data Mining (ehem. Entscheidungsunterstützungssysteme)

Data Mining (ehem. Entscheidungsunterstützungssysteme) Data Mining (ehem. Entscheidungsunterstützungssysteme) Melanie Pfoh Anja Tetzner Christian Schieder Übung WS 2014/15 AGENDA TEIL 1 Aufgabe 2 (Wiederholung OPAL / Vorlesungsinhalte) ENTSCHEIDUNGSBAUMVERFAHREN

Mehr

4.5 Nassi-Schneidermann Diagramm

4.5 Nassi-Schneidermann Diagramm 4.5 Nassi-Schneidermann Diagramm Nassi-Schneidermann-Diagramme, die auch Struktogramme genannt werden, sind graphische Hilfsmittel zum Entwurf und zur Darstellung von Programmsystemen. Sie sind beim Detailentwurf

Mehr

Seminar zum Thema Künstliche Intelligenz:

Seminar zum Thema Künstliche Intelligenz: Wolfgang Ginolas Seminar zum Thema Künstliche Intelligenz: Clusteranalyse Wolfgang Ginolas 11.5.2005 Wolfgang Ginolas 1 Beispiel Was ist eine Clusteranalyse Ein einfacher Algorithmus 2 bei verschieden

Mehr

Brückenkurs Mathematik

Brückenkurs Mathematik Brückenkurs Mathematik 6.10. - 17.10. Vorlesung 1 Logik,, Doris Bohnet Universität Hamburg - Department Mathematik Mo 6.10.2008 Zeitplan Tagesablauf: 9:15-11:45 Vorlesung Audimax I 13:00-14:30 Übung Übungsräume

Mehr

Objektorientierter Software-Entwurf Ergebnisse der funktionalen Zerlegung 3 1. Die Zerlegungsmethoden sollen in zwei Dimensionen betrachtet werden:

Objektorientierter Software-Entwurf Ergebnisse der funktionalen Zerlegung 3 1. Die Zerlegungsmethoden sollen in zwei Dimensionen betrachtet werden: Objektorientierter Software-Entwurf Ergebnisse der funktionalen Zerlegung 3 1 Vergleich der Zerlegungsmethoden Die Zerlegungsmethoden sollen in zwei Dimensionen betrachtet werden: Vergleich nach Ergebnissen

Mehr

6.6 Vorlesung: Von OLAP zu Mining

6.6 Vorlesung: Von OLAP zu Mining 6.6 Vorlesung: Von OLAP zu Mining Definition des Begriffs Data Mining. Wichtige Data Mining-Problemstellungen, Zusammenhang zu Data Warehousing,. OHO - 1 Definition Data Mining Menge von Techniken zum

Mehr

Grundbegriffe der Informatik

Grundbegriffe der Informatik Grundbegriffe der Informatik Einheit 3: Alphabete (und Relationen, Funktionen, Aussagenlogik) Thomas Worsch Universität Karlsruhe, Fakultät für Informatik Oktober 2008 1/18 Überblick Alphabete ASCII Unicode

Mehr

Bernoullikette und Binomialverteilung. Binomialverteilung

Bernoullikette und Binomialverteilung. Binomialverteilung Binomialverteilung Inhaltsverzeichnis Vorbemerkungen... 3 Listen und Mengen... 3 Beispiele für Ergebnisräume... 3 Bernoulliketten... 3 Binomialverteilung... 3 Aufgabe... 3 Graphische Veranschaulichung...

Mehr

Argumentationstheorie 5. Sitzung

Argumentationstheorie 5. Sitzung Zwei Arten von Schlüssen Argumentationstheorie 5. Sitzung All reasonings may be divided into two kinds, namely demonstrative reasoning, [ ] and moral (or probable) reasoning. David Hume An Enquiry Concerning

Mehr

Ein einfaches Modell zur Fehlerfortpflanzung

Ein einfaches Modell zur Fehlerfortpflanzung Ein einfaches Modell zur Fehlerfortpflanzung Jens Chr. Lisner lisner@dc.uni-due.de ICB / Universität Duisburg-Essen AK Fehlertoleranz 11/2006 p. Problemstellung Üblich bei der Formalisierung von Systemen:

Mehr

2. Spiele. Arten von Spielen. Kombinatorik. Spieler haben festgelegte Handlungsmöglichkeiten, die durch die Spielregeln definiert werden.

2. Spiele. Arten von Spielen. Kombinatorik. Spieler haben festgelegte Handlungsmöglichkeiten, die durch die Spielregeln definiert werden. . Spiele Arten von Spielen. Spiele. Spiele Arten von Spielen Kombinatorik Spieler haben festgelegte Handlungsmöglichkeiten, die durch die Spielregeln definiert werden. Kombinatorische Spiele als Suchproblem

Mehr

Wissenschaftliches Arbeiten Quantitative Methoden

Wissenschaftliches Arbeiten Quantitative Methoden Wissenschaftliches Arbeiten Quantitative Methoden Prof. Dr. Stefan Nickel WS 2008 / 2009 Gliederung I. Motivation II. III. IV. Lesen mathematischer Symbole Wissenschaftliche Argumentation Matrizenrechnung

Mehr

Mathematik: Mag. Schmid Wolfgang & LehrerInnenteam Arbeitsblatt 7-9 7. Semester ARBEITSBLATT 7-9. Was ist Wahrscheinlichkeit

Mathematik: Mag. Schmid Wolfgang & LehrerInnenteam Arbeitsblatt 7-9 7. Semester ARBEITSBLATT 7-9. Was ist Wahrscheinlichkeit ARBEITSBLATT 7-9 Was ist Wahrscheinlichkeit "Ein guter Mathematiker kann berechnen, welche Zahl beim Roulette als nächstes kommt", ist eine Aussage, die einfach falsch ist. Zwar befassen sich Mathematiker

Mehr

Ü b u n g s b l a t t 15

Ü b u n g s b l a t t 15 Einführung in die Stochastik Sommersemester 07 Dr. Walter Oevel 2. 7. 2007 Ü b u n g s b l a t t 15 Hier ist zusätzliches Übungsmaterial zur Klausurvorbereitung quer durch die Inhalte der Vorlesung. Eine

Mehr

Teil I: Deskriptive Statistik

Teil I: Deskriptive Statistik Teil I: Deskriptive Statistik 2 Grundbegriffe 2.1 Merkmal und Stichprobe 2.2 Skalenniveau von Merkmalen 2.3 Geordnete Stichproben und Ränge 2.1 Merkmal und Stichprobe An (geeignet ausgewählten) Untersuchungseinheiten

Mehr

Datenbanken. Prof. Jürgen Sauer. Datenbanken. Skriptum zur Vorlesung im SS 2001

Datenbanken. Prof. Jürgen Sauer. Datenbanken. Skriptum zur Vorlesung im SS 2001 Prof. Jürgen Sauer Datenbanken Skriptum zur Vorlesung im SS 2001 Inhaltsverzeichnis 1. Typologie der Datenbanksysteme 1.1 Einführung: Grenzen der herkömmlichen Datenverarbeitung 1.2 Erläuterung von Begriffen

Mehr

Verteilungsfunktionen (in Excel) (1)

Verteilungsfunktionen (in Excel) (1) Verteilungsfunktionen (in Excel) () F(x) Veranschaulichung der Sprungstellen: Erst ab x=4 ist F(x) = 0,75! Eine Minimal kleinere Zahl als 4, bspw. 3,9999999999 gehört noch zu F(x)=0,5! 0,75 0,5 0,25 0

Mehr

Semantik II. Semantische Relationen Prototypensemantik. Semantik 2 1

Semantik II. Semantische Relationen Prototypensemantik. Semantik 2 1 Semantik II Semantische Relationen Prototypensemantik Semantik 2 1 Paradigmatisch vs. Syntagmatisch Es gibt semantische Beziehungen, die das mentale Lexikon organisieren. Es gibt paradigmatische und syntagmatische

Mehr

Vorlesung. Vollständige Induktion 1

Vorlesung. Vollständige Induktion 1 WS 015/16 Vorlesung Vollständige Induktion 1 1 Einführung Bei der vollständigen Induktion handelt es sich um ein wichtiges mathematisches Beweisverfahren, mit dem man Aussagen, die für alle natürlichen

Mehr

Leadership Essentials

Leadership Essentials Leadership 4.0 - Essentials Kommunikationskompetenz für Führungskräfte Teil 1: Wie Sie wirkungsvoll für Klarheit sorgen Inhalte 1. Warum klare Kommunikation in der Führung wichtiger ist denn je 2. Die

Mehr

Seminar: Theorien induktiven und deduktiven Denkens aus KI und Psychologie

Seminar: Theorien induktiven und deduktiven Denkens aus KI und Psychologie Seminar: Theorien induktiven und deduktiven Denkens aus KI und Psychologie Gregory Kuhnmuench Marco Ragni Stefan Wölfl Bernhard Nebel Abt. Kognitionswissenschaft AG Grundlagen der Künstlichen Intelligenz

Mehr

Bitte kreuzen Sie alle richtigen Alternativen an! Beachten Sie dabei, daß eine falsch angekreuzte Alternative eine richtig angekreuzte aufhebt!

Bitte kreuzen Sie alle richtigen Alternativen an! Beachten Sie dabei, daß eine falsch angekreuzte Alternative eine richtig angekreuzte aufhebt! Aufgabe M1 (6 Punkte): Bitte kreuzen Sie alle richtigen Alternativen an! Beachten Sie dabei, daß eine falsch angekreuzte Alternative eine richtig angekreuzte aufhebt! In einer Marktreaktionsfunktion müssen

Mehr

Vorlesung. Einführung in die mathematische Sprache und naive Mengenlehre

Vorlesung. Einführung in die mathematische Sprache und naive Mengenlehre Vorlesung Einführung in die mathematische Sprache und naive Mengenlehre Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johann-von-Neumann-Haus Fachschaft Menge aller Studenten eines Institutes

Mehr

ER-Modell. Entity-Relationship-Model

ER-Modell. Entity-Relationship-Model + ER-Modell Entity-Relationship-Model + Was ist ein Modell? Worte/Zitat aus einem Physikbuch: "Modelle sind also Vorstellungshilfen und Wirklichkeitshilfen, nicht die Wirklichkeit selbst." (Metzler Physik).

Mehr

Kapitel ML:IV (Fortsetzung)

Kapitel ML:IV (Fortsetzung) Kapitel ML:IV (Fortsetzung) IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-18 Statistical Learning c STEIN 2005-2011 Satz 3 (Bayes)

Mehr

Statistik I für Betriebswirte Vorlesung 2

Statistik I für Betriebswirte Vorlesung 2 Statistik I für Betriebswirte Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 11. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung

Mehr

Kapitel III - Merkmalsarten

Kapitel III - Merkmalsarten Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Statistik 1 - Deskriptive Statistik Kapitel III - Merkmalsarten Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie

Mehr

Künstliche Intelligenz Maschinelles Lernen

Künstliche Intelligenz Maschinelles Lernen Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen

Mehr

Wissensmanagement WS 2010/2011

Wissensmanagement WS 2010/2011 Wissensmanagement Sibylle Schwarz Westsächsische Hochschule Zwickau Dr. Friedrichs-Ring 2a, RII 263 http://wwwstud.fh-zwickau.de/~sibsc/ sibylle.schwarz@fh-zwickau.de WS 2010/2011 Motivation Wie wird Wissen

Mehr