Einführung in die Wissensverarbeitung und Data Mining

Größe: px
Ab Seite anzeigen:

Download "Einführung in die Wissensverarbeitung und Data Mining"

Transkript

1 Einfhrung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einfhrung Vorbemerkungen 1 Einfhrung Vorbemerkungen Wissen Wissensverarbeitung Wissensmanagement Data Mining Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 1

2 1. Einfhrung Vorbemerkungen Allgemeines zur Vorlesung Es gibt eine Homepage zur Vorlesung: & ('*)) +++,-./" 0& / &!1 0# )23,45) :9 : ;!:) Die Vorlesung wird folienbasiert gehalten. Die Folien zur Vorlesung (Skript) stehen auf der Homepage vor der Vorlesung zur Verfgung. Format: PDF, zwei- und vierseitig Sie können also die ausgedruckten Folien mit in die Vorlesung bringen und dort mit schriftlichen Bemerkungen versehen. Benutzen Sie zum Drucken bitte die vierseitige Version des Skriptes. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Einfhrung Vorbemerkungen Übungen In die Vorlesung integriert Das erste Übungsblatt gibt es am zweiten Vorlesungstermin. Bearbeitungszeit: abhängig von den Aufgaben, i.d.r. eine oder zwei Wochen Theorie- und Programmieraufgaben Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 3

3 1. Einfhrung Vorbemerkungen TB, LN, Prfung TB: Anwesenheit, ein paar Übungsaufgaben demonstrieren LN: Übungsaufgaben ++, (Richtlinie 50 der zu vergebenden Punkte) Prfung Diplom: Zusammen mit dem Stoff aus dem 6. Semester fr Ausgewählte Kapitel... Prfungsform: mndlich (Witt/Becker) Prfungstermine: und Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Einfhrung Vorbemerkungen Literatur C. Beierle, G. Kern-Isberner, Methoden wissensbasierter Systeme, Vieweg, J. Heinsohn, R. Socher-Ambrosius, Wissensverarbeitung: Eine Einfhrung, Spektrum Akademischer Verlag, K. W. Tracy, P. Bouthoorn, Object-oriented Artificial Intelligence Using C++, Computer Science Press, E. Rich, Artificial Intelligence, McGraw-Hill, M. R. Genesereth, N. J. Nilsson, Logische Grundlagen der Knstlichen Intelligenz, Vieweg, T. A. Runkler, Information Mining, Vieweg, M. Ester, J. Sander, Knowledge Discovery in Databases, Springer, Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 5

4 1. Einfhrung Vorbemerkungen Inhalt (geplant) 1. Einfhrung 2. Intelligente Suchverfahren 3. Aussagen- und Prädikatenlogik 4. Regelsysteme und Regelinterpreter 5. Induktion von Regeln 6. Clusteranalyse 7. Probabilistische Netze Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Einfhrung Wissen Daten, Information, Wissen Auswirkungen von 1 Euro = 0.96 Dollar auf Zinsen und Aktienkurse Devisenkurs 1 Euro = 0.96 Dollar Wissen Information Ergebnis eines Lernvorgangs Kontext 0.96 Daten Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 7

5 1. Einfhrung Wissen Wissen: Versuche einer Definition Knowledge is organized information applicable to problem solving. (Woolf) Knowledge is information that has been organized and analyzed to make it understandable and applicable to problem solving or decision making. (Turban) Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Einfhrung Wissen Wissen, Kennen, Können Umgangssprachlich bezeichnet man das Ergebnis eines Lernvorgangs als wissen, wenn es sich um sprachlich-begriffliche Fähigkeiten handelt, kennen, wenn es sich um sinnliche Wahrnehmung handelt, können, wenn es sich um motorische Fähigkeiten handelt. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 9

6 1. Einfhrung Wissen Arten von Wissen explizit implizit Ableitung präzise Wissen Art unsicher unvollständig vage Repräsentation Kontollstrategie Regeln Fakten Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Einfhrung Wissensverarbeitung Wissensebenen kognitive Ebene (z.b. Erfahrung von Experten, Arbeitsanweisungen) Repräsentationsebene (z.b. Aussagenlogik, Prädikatenlogik) Implementierungsebene (z.b. Prolog-Statements) Bei der Wissensverarbeitung und der Knstlichen Intelligenz stehen die Repräsentationsebene und die Implementierungsebene im Vordergrund (Schließen der KI-Lcke). Beim Wissensmanagement stehen die kognitive Ebene und die Repräsentationsebene im Vordergrund. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 11

7 1. Einfhrung Wissensverarbeitung Daten- vs. Wissensverarbeitung Algorithmische Problembeschreibung Anwendungsspezifisches Wissen Software Entwickler Daten Wissen (Fakten und Regeln) Wissens ingenieur Programm Inferenz maschine Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Einfhrung Wissensmanagement Wissensmanagement Versuch von Definitionen: Wissensmanagement ist ein ganzheitliches, integratives Konzept, das psychologische, organisatorische und informationstechnologische Faktoren beinhaltet, um die effektive Erschließung und den Transfer von Wissen zu gewährleisten. (Wilkens, 1997) Sammlung von Techniken, um Wissen in einem Unternehmen effizienter zu erfassen, zu organisieren und zugänglich zu machen. (Reimann et al., 2000) Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 13

8 1. Einfhrung Wissensmanagement Aufgaben des Wissensmanagements Wissensmanagement Knowledge management Wissenserschließung Knowledge Capture Wissensverteilung Knowledge Dissemination Data Warehouse Knowlede Discovery Data Mining Dokumentenanalyse Multimedia Discovery XML und KM WWW und KM Information Retrieval Wissensportale Wissenslandkarten Dokumenten Management Workflow Management Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Einfhrung Wissensmanagement Data Warehouse, Online Analytical Processing und Knowledge Discovery in Databases KDD strukturelle Analysen Assoziationsregeln 1,2,3,4,5 1,2 1 2 OLAP Multidimensionale Sichten Analysen, Kalkulationen 3,4, Data Warehouse Informationsspeicherung Informationsverdichtung Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 15

9 1. Einfhrung Data Mining Knowledge Discovery in Databases Wissensentdeckung in Datenbanken ist ein nichttrivialer Prozeß, um Beziehungsmuster in den Daten zu entdecken, die fr einen großen Teil des Datenbestandes gltige, bislang unbekannte, potentiell ntzliche und leicht verständliche Zusammenhänge zum Ausdruck bringen. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Einfhrung Data Mining Prozeß des Knowledge Discovery in Databases Rohdaten Wissen Selektion Vorverar beitung Transfor mation Data Mining Interpre tation Cluster Analyse Klassifikation Mustersuche Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 17

10 1. Einfhrung Data Mining Cluster-Analyse: Technik des Data Mining Gegeben sei eine Menge von Punkten im IR<. Wie kann man die Häufungen algorithmisch erkennen? Berechnung eines minimal spannenden Baums und Elimination zu langer Kanten Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Einfhrung 2 Suchverfahren Sehr viele Probleme der Wissensverarbeitung lassen sich auf ein Suchproblem zurckfhren. Die Eigenschaften und Lösungsverfahren von Suchproblemen sind daher von grundlegender Bedeutung fr die Wissensverarbeitung. Suchverfahren sind ein klassisches Kapitel innerhalb der Wissensverarbeitung Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 19

11 2. Suchverfahren Einfhrung Färbeproblem B C D E A Beispiel 2.1. Die angegebene Landkarte mit den Ländern A, B, C, D und E ist so mit den Farben rot, blau, gelb und orange zu färben, daß keine zwei benachbarten Länder die gleiche Farbe haben. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Einfhrung Färbeproblem (2) Ein naives generate-and-test Verfahren wrde => mögliche Farbkonstellationen prfen.? Allgemein Farbkonstellationen zu prfen, mit BDC Anzahl der Farben und EFBGC Anzahl der Länder. Ineffizient! Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 21

12 H H IJ X T IJ H H XI H H 2. Suchverfahren Einfhrung Färbeproblem (3) Es scheint sinnvoller zu sein, die Länder der Reihe nach zu färben. So kann man Zwischenzustände bei der Problemlösung durch Teilfärbungen beschreiben, etwa XQ R W KV U T O QRDS K P NO M KL kann QRDS K P T O QRDS K 2. Suchverfahren Einfhrung Suchbaum [,,,,,] A > b A > o A > r A > g [b,,,, ] [r,,,, ] [g,,,, ] [o,,,, ] Nach der Zuordnung man direkt abbrechen. B > r Die Problemlösung startet mit der leeren Färbung. Ziel ist es, eine komplette zulässige Färbung zu erreichen. Die Schritte im Laufe der Problemlösung lassen sich durch Zustandsbergangsoperatoren beschreiben. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 22 B > o B > g [b,r,,, ] [b,g,,, ] [b,o,,, ] C > r C > o [b,g,r,, ] [b,g,o,, ] D > o D > r [b,g,r,o, ] [b,g,o,r, ] E > g E > g [b,g,r,o,g] [b,g,o,r,g] Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 23

13 2. Suchverfahren Einfhrung Suchbaum (2) Die Lösung des Färbeproblems läßt sich als Suchbaum darstellen. Die Knoten des Suchbaums entsprechen den Zuständen (zulässige Teilfärbungen). Die Kanten entsprechen den Operatoren. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Einfhrung Routenproblem B E A Start Ziel F C D Beispiel 2.2. Gegeben ist eine Karte mit Städten und Straßen, die die Städte miteinander verbinden. Gesucht ist eine Route von einem Startort zu einem Zielort. Suchbaum: Tafel. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 25

14 H H H H H 2. Suchverfahren Zustandsraum Zustandsraum Fr Suchproblem läßt sich das Wissen repräsentieren durch: Ein Zustand stellt das Wissen zu einem bestimmten Zeitpunkt der Lösungsfindung dar. Der Zustandsraum ist die Menge aller Zustände. Zustandsbergangsoperatoren beschreiben, wie ausgehend von einem Zustand andere Zustände des Zustandsraums erreicht werden können. Der Startzustand ist der Zustand, der zu Beginn der Lösungsfindung vorliegt. Er läßt sich explizit angeben. Die Menge der Zielzustände charakterisiert die Lösungen des Problems. Zielzustände lassen sich in der Regel nur implizit angeben, z.b. ber ein Testprädikat. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Zustandsraum Zustandsraum und Suchbaum Die Knoten eines Suchbaums stellen die Zustände dar. Die Kanten entsprechen den Zustandsbergangsoperatoren. Die Wurzel entspricht dem Startzustand. Die Zielknoten sind die Zielzustände. Die Berechnung der Nachfolger eines Knotens Y wird als Expansion des Knotens Y bezeichnet. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 27

15 2. Suchverfahren Zustandsraum Zustandsraum und Suchbaum (2) Der Zustandsraum beschreibt nur, wie man prinzipiell zu einer Lösung gelangen kann, aber nicht, wie man effizient zu dieser kommt. Ganz wesentlich fr eine effiziente Problemsösung sind: das Verfahren, das festlegt, in welcher Reihenfolge die Zustände untersucht bzw. expandiert werden sowie die Bewertung der einzelnen Zustände. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Uninformierte Suchverfahren Uninformierte Suchverfahren Suchverfahren, die ber die Beschreibung des Zustandsraums hinaus keine Zusatzinformation benutzen, heißen uninformierte Suchverfahren. Insbesondere findet keine Bewertung der einzelnen Zustände statt. Dementsprechend unterscheiden sich die Verfahren im wesentlichen darin, in welcher Reihenfolge die Zustände expandiert werden. Die wichtigsten Vertreter der uninformierten Suchverfahren sind die Breitensuche und die Tiefensuche. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 29

16 Z Z Z Z Z [ [ [ [ [ [ 2. Suchverfahren Uninformierte Suchverfahren Uninformierte Suchverfahren (2) Ausgehend von der Wurzel des Suchbaums (Startzustand) werden die Knoten sukzessive expandiert. Später wird man von den Nachfolgern des expandierten Knotens weiterarbeiten, solange bis man einen Zielknoten gefunden hat. Die Liste der Knoten, die gerade in Bearbeitung sind, heißt Agenda (open list). Knoten der Agenda sind generiert, aber noch nicht expandiert. Expandierte Knoten werden auch als closed bezeichnet. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Uninformierte Suchverfahren Uninformierte Suchverfahren (3) Breitensuche und Tiefensuche laufen nach dem gleichen Schema ab. Zu Beginn der Suche besteht die Agenda aus dem Startzustand. In einer beliebigen Iteration wird der erste Knoten aus der Agenda genommen. _` \^] Wenn ein Zielzustand ist, hat man eine Lösung gefunden. _` \ ] expandiert, _` \^] Agen- die in werden _` \^] Ist kein Zielzustand, so wird d.h. alle Nachfolger von da eingefgt. _` \^] Breiten- und Tiefensuche unterscheiden sich darin, wo die Nachfolger in die Agenda eingefgt werden. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 31

17 Z Z Z 2. Suchverfahren Uninformierte Suchverfahren Tiefensuche Bei der Tiefensuche werden die Nachfolger eines expandierten Knotens abced an den Anfang der Agenda eingefgt. Die Agenda entspricht einem Kellerspeicher (Stack). Liefert ein Knoten, der kein Zielknoten ist, keine neuen Knoten, so wird die Suche fortgesetzt an dem nächstgelegenen Knoten, fr den noch nicht alle Nachfolger expandiert wurden. Dies entspricht einem Backtracking. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Uninformierte Suchverfahren Tiefensuche (2) A C D B I G H E F K _` \ ] Schritt Agenda 1 (A) A 2 (B,C,D) B 3 (E,F,C,D) E 4 (K,F,C,D) K 5 (F,C,D) F 6 (C,D) C 7 (G,H,D) G Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 33

18 Z 2. Suchverfahren Uninformierte Suchverfahren Breitensuche Bei der Breitensuche werden die Nachfolger eines expandierten Knotens ab/cfd an das Ende der Agenda eingefgt. Die Agenda entspricht einer Warteschlange (Queue). Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Uninformierte Suchverfahren Breitensuche (2) A C D B I G H E F K _` \ ] Schritt Agenda 1 (A) A 2 (B,C,D) B 3 (C,D,E,F) C 4 (D,E,F,G,H) D 5 (E,F,G,H,I) E 6 (F,G,H,I,K) F 7 (G,H,I,K) G Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 35

19 a a q q 2. Suchverfahren Uninformierte Suchverfahren Algorithmen Algorithmus 2.1. [Tiefensuche] gihjkmlnpodq rtsvuwnx6uzykm{u*jk} f~ & ƒ g h:jk lnˆ rt Š : odq Œ tx u3rgihjkmln e~ a b/cfd Entferne a b/cfd aus der Agenda; 6Ž abced ist Zielknoten 6 gihjkmln odq n 3 7Œ7{ ^hj/xr ab/cfd } g h:jk ln5~ ist Lösung; STOP; abced Problem hat keine Lösung; STOP; Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Uninformierte Suchverfahren Algorithmus 2.2. [Breitensuche] gihjkmlnpodq rtsvuwnx6uzykm{u*jk} f~ & ƒ g h:jk lnˆ rt Š : odq Œ tx u3rgihjkmln e~ ab/cfd Entferne a b/cfd aus der Agenda; 6Ž abced ist Zielknoten 6 gihjkmln odq g h:jk lnš ˆn / 7Œ5{ hjxr ab/cfd ist Lösung; f~ STOP; ab/cfd Problem hat keine Lösung; STOP; Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 37

20 œ 2. Suchverfahren Uninformierte Suchverfahren Beispiel 2.4. Ein Weinhändler hat drei Krge, einen von 9 Liter, einen von 7 Liter und einen von 4 Liter Inhalt. Auf den Krgen sind keine Litermarkierungen angebracht. Der 9-Liter-Krug ist gefllt, die anderen sind leer. Die Krge sollen so umgefllt werden, daß der 9- Liter-Krug sechs Liter und der 4-Liter-Krug drei Liter enthält. Tafel. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Uninformierte Suchverfahren Beispiele Beispiel 2.3. Suche einen Weg von Tiefensuche bzw. Breitensuche. nach mit i d j m b e k f a g l n c h Tafel. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 38

21 Z Z Z Z 2. Suchverfahren Uninformierte Suchverfahren Eigenschaften von Suchverfahren Definition 2.1. Ein Suchverfahren heißt vollständig, wenn fr jeden Suchbaum jeder Knoten expandiert werden könnte, solange noch kein Zielknoten gefunden wurde. Ein vollständiges Suchverfahren ist fair in dem Sinne, daß jeder Knoten die Chance hat, expandiert zu werden. Ein vollständiges Sucherfahren findet auch bei unendlichen Suchbäumen stets eine Lösung, falls eine existiert. Breitensuche ist vollständig. Tiefensuche ist nur bei endlichen Suchbäumen vollständig. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Uninformierte Suchverfahren Eigenschaften von Suchverfahren (2) Definition 2.2. Fr ein uninformiertes Suchverfahren heißt eine Lösung optimal, wenn sie unter allen Lösungen die geringste Tiefe im Suchbaum aufweist. Breitensuche findet eine optimale Lösung (falls existent), Tiefensuche nicht. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 41

22 Z Z Z Z Z Z Z Z Z 2. Suchverfahren Uninformierte Suchverfahren Eigenschaften von Suchverfahren (3) Komplexitäten: Fr Breiten- und Tiefensuche ist der ungnstigste Fall, daß die Lösung in der äußersten rechten Ecke des Suchbaums liegt. q ž Zeitkomplexität Ÿ des Zielknotens. r d, mit q Verzweigungsrate und u q Tiefe Bei der Tiefensuche enthält die Agenda die Knoten des aktuellen Suchpfades sowie deren Nachfolger q ž r uz Platzkomplexität Ÿ. Bei der Breitensuche kann die Agenda eine komplette Ebene des Suchbaums enthalten q ž r Platzkomplexität Ÿ d. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Informierte Suchverfahren Fr größere Suchbäume sind Breiten- und Tiefesuche nicht effizient genug. Vielversprechender sind Ansätze, bei denen Problemwissen zur Steuerung des Suchprozesses eingesetzt wird. Dies kann dadurch geschehen, daß die Zustände (Knoten) danach bewertet werden, wie erfolgversprechend sie sind. Man schätzt beispielsweise fr jeden Knoten, wie nahe er an einem Zielknoten liegt. Solch eine Bewertung nennt man heuristische Funktion. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 43

23 ª \ [ «ª \ ª \ [ ± «ª \ 2. Suchverfahren Informierte Suchverfahren Heuristische Funktion Definition 2.3. Eine Funktion, die jedem Zustand (Knoten) a eines Zustandsraums (Suchbaums) eine nichtnegative Zahl r a zuordnet, heißt heuristische Funktion. Fr einen Zielzustand a gilt dabei r "q a. Ein Suchverfahren, das eine heuristische Funktion zur Auswahl der zu expandierenden Zustände einsetzt, heißt informiertes Suchverfahren oder auch heuristisches Suchverfahren. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Heuristische Funktion (2) Beispiel 2.5. [Schiebepuzzle] Startzustand Endzustand Mögliche heuristische Funktionen: Anzahl der Plättchen, die nicht an der richtigen Stelle liegen. «*. * Hier: Summe der Entfernungen aller Plättchen von der Zielposition. «*. µ² ±² ² ±² ³² ³² ±² * Hier: Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 45

24 Z Z Z ½  à à ½ Â Ä Ä ½ Á 2. Suchverfahren Informierte Suchverfahren Heuristische Funktion (3) m "q ¹ º»q ¼ m q ¹ º¾q m 1q ¹ ºiq À m 1q ¹ ºiq ¹ m "q 5 º»q m q 5 º¾q m 1q 5 ºiq Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Heuristische Funktion (3) Z º Die heuristische Funktion º differenziert stärker als m, d.h. kann Zustände unterscheiden, die von Å gleich bewertet werden. Eine heuristische Funktion ist um so brauchbarer, je mehr Zustände sie unterschiedlich bewertet. Eine heuristische Funktion, die alle Zustände gleich bewertet, ist unbrauchbar. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 47

25 Z Z Z Z Z 2. Suchverfahren Informierte Suchverfahren Bestensuche Bei der Bestensuche erfolgt die Expansion eines Knotens auf Basis der heuristischen Funktion. Hierzu werden in der Agenda die Knoten zusammen mit ihrer Bewertung abgelegt. Es wird nun jeweils der Knoten der Agenda expandiert, der die geringste Bewertung aufweist. Die Agenda hat also die Form einer Prioritätswarteschlange (priority queue). Ansonsten ist die Bestensuche analog zur Tiefen- und Breitensuche. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Bestensuche (2) A:9 C:5 D:6 B:4 I: G:0 H:2 E:7 F:8 K: _` \^] Schritt Agenda 1 A:9 A 2 B:4, C:5, D:6 B 3 C:5, D:6, E:7, F:8 C 4 G:0, H:2, D:6, E:7, F:8 G Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 49

26 Z Z a q 2. Suchverfahren Informierte Suchverfahren Algorithmus zur Bestensuche Algorithmus 2.3. [Bestensuche] gihjkmlnpodq rtsvuwnx6uzykm{u*jk} f~ & ƒ g h:jk lnˆ rt Š : odq Œ tx u3rgihjkmln e~ ab/cfd Entferne ab/cfd aus der Agenda; 6Ž abced ist Zielknoten 6 gihjkmln odq j tkæœ Ç jèh:jk"r g h:jk ln5éê ˆn / 7Œ5{ ^h:jxr ab/cfd ist Lösung; STOP; z f~ ab/cfd Problem hat keine Lösung; STOP; Beispiel 2.6. Suchbaum fr Beispiel 2.5 mit Bestensuche. Tafel Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Eigenschaften der Bestensuche Definition 2.4. Eine heuristische Funktion heißt fair gdw. es zu jedem kìëí nur endlich viele Knoten a gibt mit r 1ÎÍk a. Fairness entspricht der Vollständigkeit bei uninformierten Suchverfahren. Ist eine heuristische Funktion fair, so wird ein Zielknoten gefunden, falls ein solcher existiert. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 51

27 [ [ q Ï r É a É É 2. Suchverfahren Informierte Suchverfahren Bestensuche und Optimalität Die Bestensuche vernachlässigt die Kosten bei der Anwendnung der Operatoren. Wird die Gte einer Lösung charakterisiert durch diese Operatorkosten, so findet die Bestensuche allgemein keine optimale Lösung. Beispiel 2.7. Routenproblem: Man finde einen krzesten Weg von A nach B. Die heuristische Funktion sei als die Luftlinienentfernung zum Zielknoten definiert. B A Start Ziel D C Bestensuche wählt A,B,D, obwohl A,C,D krzer ist. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Bewertung von Lösungen Ï Definition 2.5. Es sei að fé/ñ/ñ/ñ3é aò eine Folge von Zuständen und aóõô sei durch Anwendung eines Zustandsbergangsoperators auf aó erreichbar. Beim Übergang von aó nach aó^ô fallen Kosten in Höhe von yår aó aó^ô z an. Die Kosten yår Ï der Zustandsfolge seien definiert durch: yår Ò3Ö (odq ÓÕ Ð ymr aó z aóõô Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 53

28 Ï Ï a a ß à «ª \ «ª \ á \ Ï Ï Ï [ [ [ Ø 2. Suchverfahren Informierte Suchverfahren Fr einen Zustand a sei: h Ør Ør odq Ù ÚÛfÜ yår odq Ù ÚÛfÜ yår Ý Ý Ï ist Weg vom Startzustand nach aþ ist Weg von a zu einem ZielzustandÞ Ï ß Ø Ø r Ø Ø r ß Problem: Finde (falls möglich) eine Zustandsfolge vom Startzustand að in einen Zielzustand, die minimale Kosten aufweist, d.h. ymr "q að bzw. ymr "q Ù ÚÛfÜ3h /Ý ist ZielzustandÞ. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Zulässiger Schätzer Definition 2.6. Eine heuristische Funktion zulässiger Schätzer bzw. zulässig gdw. fr alle Zustände des Zustandsraums. heißt Beispiel 2.8. Zulässige Schätzer sind: die heuristischen Funktionen aus Beispiel 2.3 fr das Schiebepuzzle und die Luftlinienentfernung beim Routenproblem. Bei kombinatorischen Optimierungsproblemen werden als zulässige Schätzer häufig effizient lösbare Relaxationen des Problems verwendet. Beispiel: minimaler Spannbaum als Relaxation fr die Berechnung eines minimalen Hamiltonschen Weges. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 55

29 Z Z Z Z «ª \ â «ª \ â r a \ «ª \ «ª \ ª \ â «ª \ ã «ª \ ã 2. Suchverfahren Informierte Suchverfahren Der A*-Algorithmus Der A*-Algorithmus basiert auf: 1. einer Bewertung fr die Zustände, wobei die bisher geringsten Kosten zur Erreichung des Zustands angibt, 2. einer (blicherweise zulässigen) heuristischen Funktion zur Schätzung der Restkosten und, die «² 3. einer Bewertungsfunktion zur Auswahl des zu expandierenden Zustandes dient. Steuerung der Suche bei A*: Es wird der Knoten der Agenda expandiert, der die geringste Bewertung aufweist. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Der A*-Algorithmus (2) Folgende Punkte sind beim A*-Algorithmus zu bercksichtigen: Durch eine Verringerung von hår a Verringerung von ä auftreten. fr einen Zustand a kann auch eine Dies kann im allgemeinen auch fr schon expandierte Knoten der Fall sein! Deshalb werden schon expandierte Knoten in einer speziellen Liste Closed verwaltet. Bewertungen sind dementsprechend anzupassen. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 57

30 ý é êœ å é êœ â ñð í ï «æ é êœ î å ó ò ø ç œ ý # ý ý ) ý * ý ý ý # ý ý ) ý ý 2. Suchverfahren Informierte Suchverfahren Der A*-Algorithmus (3) Algorithmus 2.4. [A*] «í æ ëé æì ªèé ç œ â æ µ í «æ ëé æì ªèé ëé æì ªèé ª«ö ç œ â æ ðñõô «í å â æ ª é ùú ê \ _` \^] Entferne aus der Agenda; Fge in Closed ein; ist Zielknoten _` \ ] _` \^] ist Lösung; STOP; ÿ ý þ ÿ ýõþ û ÿ ý^þ ý ý ý û "( ý ÿ '& ý þ $ ÿ ý þ "! ( ÿ ý^þ #! ein; in die Agenda mit Bewertung Fge $ ÿ ý þ + û - ÿ,& ý þ "( ý ÿ & ý þ $ ÿ ý^þ! ( ÿ ý^þ #! ý û aus Closed; Entferne Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren in die Agenda ein; Fge û û û Problem hat keine Lösung; STOP; Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 59

31 Suchverfahren Informierte Suchverfahren Der A*-Algorithmus (4) Fr einen Knoten / besten Weg an. gibt 0213/54 den Vorgängerknoten auf dem bisher Den bisher besten Weg zu einem Knoten / erhält man also, in dem man von / sukzessive den Verweisen folgt. Alternativ kann man an jedem Knoten den kompletten bisher optimalen Pfad speichern. Der notwendige Speicherplatzverbrauch fr die Pfade ist dann aber quadratisch in der Länge des Suchpfades. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren A*-Anwendungsbeispiel Asymetrisches Traveling Salesman Problem: Zustand: Menge von Kanten, die enthalten bzw. ausgeschlossen sind Zustandsbergang: Ein- bzw. Ausschluß einer Kante Zielzustand: enthaltene Kanten Schätzung: Fr eine Tour muß man jede Stadt mindestens einmal Anfahren bzw. sie verlassen. Summe der Zeilenminima der Entfernungsmatrix plus Summe der Spaltenminima einer reduzierten Matrix ist ein zulässiger Schätzer. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 61

32 : : : : : : : : : : : : : : : : : : : : : 2. Suchverfahren Informierte Suchverfahren Entfernungsmatrix: Suchverfahren Informierte Suchverfahren Erste Abschätzung: 81 Reduzierte Matrix: : 129 Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 62 < ; & Ohne Kante : = 81 < ; & Mit Kante : 113 ; = & und ohne < ; & Mit : 81 ; = & und mit < ; & Mit Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 63

33 .... : : : =? =???? =? =?? 2. Suchverfahren Informierte Suchverfahren : 84? > & & ; = & < & ; & Mit : 101? > &, ohne ; = & < & ; & Mit : 84? & & > & & ; = & < & ; & Mit : & & < & &? & & > & & ; = & < & ; & Mit : 103? > &, & & ; = & < & ; & Mit : & & > &, ohne ; = & < & ; & Mit : 104? > &, ohne? & & & ; = & < & ; & Mit : 114? & & > &, & & ; = & < & ; & Mit Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren A* und andere Suchverfahren Bemerkung 2.1. Der A*-Algorithmus enthält die folgenden Algorithmen als Spezialfälle: Fr ACBED und FHG D erhält man den Dijkstra-Algorithmus. Fr AIG D erhält man die Bestensuche. Fr AIG J und FHG D erhält man die Breitensuche. Fr AKG LMJ und FNG D erhält man die Tiefensuche, wenn man Wiederbelebungen verbietet (Übergang von Closed in die Agenda). Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 65

34 V V V.. F 9 P ý 9 O 9 T U 2. Suchverfahren Informierte Suchverfahren Eigenschaften von A* Satz 2.1. [Terminierung, Fairness] Es gelte: Jeder Zustand besitzt nur endlich viele Nachfolgerzustände, bei ý & S R O PQ ý ý & es existiere, so daß fr die Kosten einem Zustandsbergang stets gilt und es gibt einen erreichbaren Zielzustand. Dann terminiert A* nach endlich vielen Schritten mit dem Erreichen eines Zielzustandes. Beweis. Tafel. Bemerkung 2.2. Unter den gegebenen Voraussetzungen endet die Suche u.u. in einem nicht optimalen Zielzustand. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Eigenschaften von A* (2) Satz 2.2. [Optimalität] Es gelte: Gegeben sind die Voraussetzungen von Satz 2.1 und ist zulässig. Dann ist der Zielknoten W, mit dem A* terminiert, ein optimaler Zielknoten, die minimalen Kosten ergeben sich durch XY1ZW[4 und ausgehend von 021"W\4 kann eine optimale Zustandsfolge ermittelt werden. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 67

35 Suchverfahren Informierte Suchverfahren Beweis. Tafel. ] Korollar 2.3. Gegeben seien die Voraussetzungen von Satz 2.2. Der gefundene optimale Zielknoten sei W. Dann wurden während des Laufs von A* nur Zustände / mit ^_1`/a4cbdXe1ZW\4 expandiert. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/ Suchverfahren Informierte Suchverfahren Wahl guter Schätzer Die Eigenschaften der heuristischen Funktion haben einen wesentlichen Einfluß auf die Performanz der Suche mit A*. Eine zulässige heuristische Funktion ist um so besser, je näher sie dem Optimalwert zur Erreichung eines Zielzustandes kommt. Definition 2.7. Fr zwei zulässige Schätzer F und Fgf heißt: F f besser informiert als F gdw. Fh13/54cijF f 13/a4 fr alle Zustände / gilt. F f nicht schlechter informiert als F gdw. Fh13/54kbjF f 13/a4 fr alle Zustände / gilt. Wissensverarbeitung und Data Mining FH Bonn-Rhein-Sieg, WS 01/02 69

Einführung in die Wissensverarbeitung und Data Mining

Einführung in die Wissensverarbeitung und Data Mining Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen

Mehr

I. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen.

I. Aussagenlogik. Aussagenlogik untersucht Verknüpfungen wie und, oder, nicht, wenn... dann zwischen atomaren und komplexen Sätzen. I. Aussagenlogik 2.1 Syntax Aussagenlogik untersucht Verknüpfungen wie "und", "oder", "nicht", "wenn... dann" zwischen atomaren und komplexen Sätzen. Sätze selbst sind entweder wahr oder falsch. Ansonsten

Mehr

1. Einführung und Grundbegriffe

1. Einführung und Grundbegriffe 1. Einführung und Grundbegriffe Business Intelligence 1. Einführung und Grundbegriffe Lernziele: Wichtige Grundbegriffe verstehen, einordnen und erläutern können; Grundlegende Merkmale von Decision Support

Mehr

1. Einführung und Grundbegriffe. Business Intelligence. Definitionsvielfalt

1. Einführung und Grundbegriffe. Business Intelligence. Definitionsvielfalt 1. Einführung und Grundbegriffe Lernziele: Wichtige Grundbegriffe verstehen, einordnen und erläutern können; Grundlegende Merkmale von Decision Support Systemen kennen; Arten von Wissen kennen und gegeneinander

Mehr

Binäre Suchbäume (binary search trees, kurz: bst)

Binäre Suchbäume (binary search trees, kurz: bst) Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.

Mehr

Prolog basiert auf Prädikatenlogik

Prolog basiert auf Prädikatenlogik Software-Technologie Software-Systeme sind sehr komplex. Im Idealfall erfolgt die Programmierung problemorientiert, während die notwendige Übertragung in ausführbare Programme automatisch erfolgt. Prolog-Philosophie:

Mehr

Beispiel. Bsp.: Betrachte Schlussweise in: (3) folgt aus (1) und (2), siehe z.b. Resolutionsregel. was ist mit folgender Schlußweise:

Beispiel. Bsp.: Betrachte Schlussweise in: (3) folgt aus (1) und (2), siehe z.b. Resolutionsregel. was ist mit folgender Schlußweise: Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 5.4 Prädikatenlogik mit Gleichheit Resolution 192 Beispiel Bsp.: Betrachte Schlussweise in: 1 Wenn es regnet, dann wird die Straße nass. R N

Mehr

Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer:

Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 29/ Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws9

Mehr

Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Winter-Semester 2003/04. Wissensrepräsentation: Resolution (im PK1)

Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Winter-Semester 2003/04. Wissensrepräsentation: Resolution (im PK1) Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Wissensrepräsentation: Resolution (im PK1) 2. Resolution Vorbild für Formalismus : exakt, präzise, (theoretisch) beherrscht Aufbau: Zeichen

Mehr

Grundlagen der Informationverarbeitung

Grundlagen der Informationverarbeitung Grundlagen der Informationverarbeitung Information wird im Computer binär repräsentiert. Die binär dargestellten Daten sollen im Computer verarbeitet werden, d.h. es müssen Rechnerschaltungen existieren,

Mehr

A.1 Schaltfunktionen und Schaltnetze

A.1 Schaltfunktionen und Schaltnetze Schaltfunktionen und Schaltnetze A. Schaltfunktionen und Schaltnetze 22 Prof. Dr. Rainer Manthey Informatik II Bedeutung des Binärsystems für den Rechneraufbau Seit Beginn der Entwicklung von Computerhardware

Mehr

Kapitel 7 Dr. Jérôme Kunegis. Logische Kalküle. WeST Web Science & Technologies

Kapitel 7 Dr. Jérôme Kunegis. Logische Kalküle. WeST Web Science & Technologies Kapitel 7 Dr. Jérôme Kunegis Logische Kalküle WeST Web Science & Technologies Lernziele Grundideen des Domain-Relationenkalküls (DRK) und des Tupel-Relationenkalküls (TRK) Relationale Datenbank als Formelmenge

Mehr

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel

3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel 3.1 Konstruktion von minimalen Spannbäumen Es gibt zwei Prinzipien für die Konstruktion von minimalen Spannbäumen (Tarjan): blaue Regel rote Regel EADS 3.1 Konstruktion von minimalen Spannbäumen 16/36

Mehr

WS 2009/10. Diskrete Strukturen

WS 2009/10. Diskrete Strukturen WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910

Mehr

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

OPERATIONS-RESEARCH (OR)

OPERATIONS-RESEARCH (OR) OPERATIONS-RESEARCH (OR) Man versteht darunter die Anwendung mathematischer Methoden und Modelle zur Vorbereitung optimaler Entscheidungen bei einem Unternehmen. Andere deutsche und englische Bezeichnungen:

Mehr

Kapitel 7: Formaler Datenbankentwurf

Kapitel 7: Formaler Datenbankentwurf 7. Formaler Datenbankentwurf Seite 1 Kapitel 7: Formaler Datenbankentwurf Die Schwierigkeiten der konzeptuellen Modellierung sind zu einem großen Teil dadurch begründet, dass sich die relevanten Strukturen

Mehr

Prädikatenlogik: Grundlagen

Prädikatenlogik: Grundlagen Prädikatenlogik: Grundlagen Vorversion der Folien des Kap. 9! Stand 15.05.2007 Im Verlauf der Vorlesungen zu diesem Kapitel werden Änderungen und Ergänzungen erfolgen. Sie sollten daher sorgfältig auf

Mehr

Lernziele: Ausgleichstechniken für binäre Bäume verstehen und einsetzen können.

Lernziele: Ausgleichstechniken für binäre Bäume verstehen und einsetzen können. 6. Bäume Lernziele 6. Bäume Lernziele: Definition und Eigenschaften binärer Bäume kennen, Traversierungsalgorithmen für binäre Bäume implementieren können, die Bedeutung von Suchbäumen für die effiziente

Mehr

Bachelor Grundlagen der Logik und Logikprogrammierung 12. Februar 2009 3

Bachelor Grundlagen der Logik und Logikprogrammierung 12. Februar 2009 3 Bachelor Grundlagen der Logik und Logikprogrammierung 12. Februar 2009 3 Aufgabe 1 (20 Punkte) Dialogische Logik a) Was isteine formal wahrebehauptung? Welche Aussageschematasindallgemeingültig? b) Überprüfen

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

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik

Kürzeste Wege in Graphen. Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Kürzeste Wege in Graphen Maurice Duvigneau Otto-von-Guericke Universität Fakultät für Informatik Gliederung Einleitung Definitionen Algorithmus von Dijkstra Bellmann-Ford Algorithmus Floyd-Warshall Algorithmus

Mehr

Der Kapitän n ist heute nüchternn

Der Kapitän n ist heute nüchternn Konversationelle Implikaturen: : Bedeutungen der der anderen Art Art Martin Jung cognitas GmbH, Ottobrunn www.cognitas.de martin.jung@cognitas.de November 2003 Bedeutungen der anderen Art? Semantische

Mehr

Logik & Semantik 7. Vorlesung Prädikatenlogik 1. Syntax der Prädikatenlogik Semantik der Prädikatenlogik: Grundbegriffe (Variablen-)Substitutionen

Logik & Semantik 7. Vorlesung Prädikatenlogik 1. Syntax der Prädikatenlogik Semantik der Prädikatenlogik: Grundbegriffe (Variablen-)Substitutionen Logik & Semantik 7. Vorlesung Prädikatenlogik 1 Syntax der Prädikatenlogik Semantik der Prädikatenlogik: Grundbegriffe (Variablen-)Substitutionen 1 Definition eines logischen Systems: Generelles Schema

Mehr

Verwendet man zur Darstellung nur binäre Elemente ( bis lat.: zweimal) so spricht man von binärer Digitaltechnik.

Verwendet man zur Darstellung nur binäre Elemente ( bis lat.: zweimal) so spricht man von binärer Digitaltechnik. Kursleiter : W. Zimmer 1/24 Digitale Darstellung von Größen Eine Meßgröße ist digital, wenn sie in ihrem Wertebereich nur eine endliche Anzahl von Werten annehmen kann, also "abzählbar" ist. Digital kommt

Mehr

Data Mining und Knowledge Discovery in Databases

Data Mining und Knowledge Discovery in Databases Data Mining und Knowledge Discovery in Databases Begriffsabgrenzungen... Phasen der KDD...3 3 Datenvorverarbeitung...4 3. Datenproblematik...4 3. Möglichkeiten der Datenvorverarbeitung...4 4 Data Mining

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

Wissensmanagement als Basis für wissensbasiertes Management

Wissensmanagement als Basis für wissensbasiertes Management Wissensmanagement als Basis für wissensbasiertes Management Einführung in die technischen Grundlagen von Wissensbasierten Systemen und die Möglichkeiten der Wissensrepräsentation Jörg Freistätter Einleitung

Mehr

Grundlagen der Informatik. Prof. Dr. Stefan Enderle NTA Isny

Grundlagen der Informatik. Prof. Dr. Stefan Enderle NTA Isny Grundlagen der Informatik Prof. Dr. Stefan Enderle NTA Isny 2 Datenstrukturen 2.1 Einführung Syntax: Definition einer formalen Grammatik, um Regeln einer formalen Sprache (Programmiersprache) festzulegen.

Mehr

Seminar künstliche Intelligenz

Seminar künstliche Intelligenz Seminar künstliche Intelligenz Das Kürzeste-Wege-Problem in öffentlichen Verkehrsnetzen Stefan Görlich mi5517 25.05.2005 Inhalt 1. Einleitung 1.1 Problemstellung 3 1.2 Zielsetzung 3 1.3 Die Suche in öffentlichen

Mehr

Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder

Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder Programmieren in PASCAL Bäume 1 1. Baumstrukturen Eine Baumstruktur sei folgendermaßen definiert. Eine Baumstruktur mit Grundtyp Element ist entweder 1. die leere Struktur oder 2. ein Knoten vom Typ Element

Mehr

Vorlesung 3 MINIMALE SPANNBÄUME

Vorlesung 3 MINIMALE SPANNBÄUME Vorlesung 3 MINIMALE SPANNBÄUME 72 Aufgabe! Szenario: Sie arbeiten für eine Firma, die ein Neubaugebiet ans Netz (Wasser, Strom oder Kabel oder...) anschließt! Ziel: Alle Haushalte ans Netz bringen, dabei

Mehr

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015

Abstrakt zum Vortrag im Oberseminar. Graphdatenbanken. Gero Kraus HTWK Leipzig 14. Juli 2015 Abstrakt zum Vortrag im Oberseminar Graphdatenbanken Gero Kraus HTWK Leipzig 14. Juli 2015 1 Motivation Zur Darstellung komplexer Beziehungen bzw. Graphen sind sowohl relationale als auch NoSQL-Datenbanken

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Branch-and-Bound. Wir betrachten allgemein Probleme, deren Suchraum durch Bäume dargestellt werden kann. Innerhalb des Suchraums suchen wir

Branch-and-Bound. Wir betrachten allgemein Probleme, deren Suchraum durch Bäume dargestellt werden kann. Innerhalb des Suchraums suchen wir Effiziente Algorithmen Lösen NP-vollständiger Probleme 289 Branch-and-Bound Wir betrachten allgemein Probleme, deren Suchraum durch Bäume dargestellt werden kann. Innerhalb des Suchraums suchen wir 1.

Mehr

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery

Seminar Business Intelligence Teil II. Data Mining & Knowledge Discovery Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?

Mehr

Spezialisierung Business Intelligence

Spezialisierung Business Intelligence Spezialisierung Business Intelligence Peter Becker Fachbereich Informatik Hochschule Bonn-Rhein-Sieg peter.becker@h-brs.de 10. Juni 2015 Was ist Business Intelligence? Allgemein umfasst der Begriff Business

Mehr

4 Greedy-Algorithmen (gierige Algorithmen)

4 Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen (gierige Algorithmen) Greedy-Algorithmen werden oft für die exakte oder approximative Lösung von Optimierungsproblemen verwendet. Typischerweise konstruiert ein Greedy-Algorithmus eine

Mehr

Wintersemester 2008/2009

Wintersemester 2008/2009 Fakultät für Informatik LS VI Information Engineering Prof. Dr. G. Kern-Isberner Patrick Krümpelmann, Jan-Hendrik Lochner, Max Vorderstemann Probeklausur zur Vorlesung Darstellung, Verarbeitung und Erwerb

Mehr

183.580, WS2012 Übungsgruppen: Mo., 22.10.

183.580, WS2012 Übungsgruppen: Mo., 22.10. VU Grundlagen digitaler Systeme Übung 2: Numerik, Boolesche Algebra 183.580, WS2012 Übungsgruppen: Mo., 22.10. Aufgabe 1: Binäre Gleitpunkt-Arithmetik Addition & Subtraktion Gegeben sind die Zahlen: A

Mehr

Einführung in PROLOG. Christian Stocker

Einführung in PROLOG. Christian Stocker Einführung in PROLOG Christian Stocker Inhalt Was ist PROLOG? Der PROLOG- Interpreter Welcher Interpreter? SWI-Prolog Syntax Einführung Fakten, Regeln, Anfragen Operatoren Rekursion Listen Cut Funktionsweise

Mehr

Codierungstheorie Rudolf Scharlau, SoSe 2006 9

Codierungstheorie Rudolf Scharlau, SoSe 2006 9 Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

Entwicklung eines korrekten Übersetzers

Entwicklung eines korrekten Übersetzers Entwicklung eines korrekten Übersetzers für eine funktionale Programmiersprache im Theorembeweiser Coq Thomas Strathmann 14.01.2011 Gliederung 1 Einleitung

Mehr

Approximationsalgorithmen

Approximationsalgorithmen Ausarbeitung zum Thema Approximationsalgorithmen im Rahmen des Fachseminars 24. Juli 2009 Robert Bahmann robert.bahmann@gmail.com FH Wiesbaden Erstellt von: Robert Bahmann Zuletzt berarbeitet von: Robert

Mehr

Codierung, Codes (variabler Länge)

Codierung, Codes (variabler Länge) Codierung, Codes (variabler Länge) A = {a, b, c,...} eine endliche Menge von Nachrichten (Quellalphabet) B = {0, 1} das Kanalalphabet Eine (binäre) Codierung ist eine injektive Abbildung Φ : A B +, falls

Mehr

Algorithmen für Peer-to-Peer-Netzwerke Sommersemester 2004 04.06.2004 7. Vorlesung

Algorithmen für Peer-to-Peer-Netzwerke Sommersemester 2004 04.06.2004 7. Vorlesung Algorithmen für Peer-to-Peer-Netzwerke Sommersemester 2004 04.06.2004 7. Vorlesung 1 Kapitel III Skalierbare Peer to Peer-Netzwerke Tapestry von Zhao, Kubiatowicz und Joseph (2001) Netzw erke 2 Tapestry

Mehr

Logik-Programme. Eine Tatsachenklausel ist eine einelementige positive Klausel, d.h. sie hat

Logik-Programme. Eine Tatsachenklausel ist eine einelementige positive Klausel, d.h. sie hat Logik-Programme Definition: Eine Tatsachenklausel ist eine einelementige positive Klausel, d.h. sie hat die Form {P }. Eine Prozedurklausel ist eine Klausel der Form {P, Q 1, Q 2,..., Q k } mit k 1. P

Mehr

4. AUSSAGENLOGIK: SYNTAX. Der Unterschied zwischen Objektsprache und Metasprache lässt sich folgendermaßen charakterisieren:

4. AUSSAGENLOGIK: SYNTAX. Der Unterschied zwischen Objektsprache und Metasprache lässt sich folgendermaßen charakterisieren: 4. AUSSAGENLOGIK: SYNTAX 4.1 Objektsprache und Metasprache 4.2 Gebrauch und Erwähnung 4.3 Metavariablen: Verallgemeinerndes Sprechen über Ausdrücke von AL 4.4 Die Sprache der Aussagenlogik 4.5 Terminologie

Mehr

Was bisher geschah. deklarative Programmierung. funktionale Programmierung (Haskell):

Was bisher geschah. deklarative Programmierung. funktionale Programmierung (Haskell): Was bisher geschah deklarative Programmierung funktional: Programm: Menge von Termgleichungen, Term Auswertung: Pattern matsching, Termumformungen logisch: Programm: Menge von Regeln (Horn-Formeln), Formel

Mehr

1. Grundlegende Konzepte der Informatik

1. Grundlegende Konzepte der Informatik 1. Grundlegende Konzepte der Informatik Inhalt Algorithmen Darstellung von Algorithmen mit Programmablaufplänen Beispiele für Algorithmen Aussagenlogik Zahlensysteme Kodierung Peter Sobe 1 Algorithmen

Mehr

Einführung in die Informatik I

Einführung in die Informatik I Einführung in die Informatik I Algorithmen und deren Programmierung Prof. Dr. Nikolaus Wulff Definition Algorithmus Ein Algorithmus ist eine präzise formulierte Handlungsanweisung zur Lösung einer gleichartigen

Mehr

Programmierung und Modellierung

Programmierung und Modellierung Programmierung und Modellierung Terme, Suchbäume und Pattern Matching Martin Wirsing in Zusammenarbeit mit Moritz Hammer SS 2009 2 Inhalt Kap. 7 Benutzerdefinierte Datentypen 7. Binärer Suchbaum 8. Anwendung:

Mehr

Data Mining Anwendungen und Techniken

Data Mining Anwendungen und Techniken Data Mining Anwendungen und Techniken Knut Hinkelmann DFKI GmbH Entdecken von Wissen in banken Wissen Unternehmen sammeln ungeheure mengen enthalten wettbewerbsrelevantes Wissen Ziel: Entdecken dieses

Mehr

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011

Graphen: Einführung. Vorlesung Mathematische Strukturen. Sommersemester 2011 Graphen: Einführung Vorlesung Mathematische Strukturen Zum Ende der Vorlesung beschäftigen wir uns mit Graphen. Graphen sind netzartige Strukturen, bestehend aus Knoten und Kanten. Sommersemester 20 Prof.

Mehr

1. Übersicht, Einführung und Motivation

1. Übersicht, Einführung und Motivation Kapitel 1 Übersicht, Einführung und Motivation 1. Übersicht, Einführung und Motivation 8 Struktur der Vorlesung 1 Übersicht, Einführung und Motivation 2 Wissensrepräsentation 3 Klassische und nichtklassische

Mehr

Entscheidungsprobleme. Berechenbarkeit und Komplexität Entscheidbarkeit und Unentscheidbarkeit. Die Entscheidbarkeit von Problemen

Entscheidungsprobleme. Berechenbarkeit und Komplexität Entscheidbarkeit und Unentscheidbarkeit. Die Entscheidbarkeit von Problemen Berechenbarkeit und Komlexität Entscheidbarkeit und Unentscheidbarkeit Wolfgang Schreiner Wolfgang.Schreiner@risc.uni-linz.ac.at Research Institute for Symbolic Comutation (RISC) Johannes Keler University,

Mehr

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5)

Einführung. Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Vorlesungen zur Komplexitätstheorie. K-Vollständigkeit (1/5) Einführung 3 Vorlesungen zur Komplexitätstheorie: Reduktion und Vollständigkeit (3) Univ.-Prof. Dr. Christoph Meinel Hasso-Plattner-Institut Universität Potsdam, Deutschland Hatten den Reduktionsbegriff

Mehr

Kapitel DB:III. III. Konzeptueller Datenbankentwurf

Kapitel DB:III. III. Konzeptueller Datenbankentwurf Kapitel DB:III III. Konzeptueller Datenbankentwurf Einführung in das Entity-Relationship-Modell ER-Konzepte und ihre Semantik Charakterisierung von Beziehungstypen Existenzabhängige Entity-Typen Abstraktionskonzepte

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

Maschinelles Lernen und Data Mining: Methoden und Anwendungen

Maschinelles Lernen und Data Mining: Methoden und Anwendungen Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

Technische Informatik - Eine Einführung

Technische Informatik - Eine Einführung Martin-Luther-Universität Halle-Wittenberg Fachbereich Mathematik und Informatik Lehrstuhl für Technische Informatik Prof. P. Molitor Ausgabe: 2005-02-21 Abgabe: 2005-02-21 Technische Informatik - Eine

Mehr

Answer Set Programming

Answer Set Programming Answer Set Programming mit Answer Set Prolog (A-Prolog) Wangler Thomas Logikprogrammierung Institut für Computerlinguistik Universität Heidelberg Inhaltsverzeichnis Inhaltsverzeichnis Inhaltsverzeichnis

Mehr

Folge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12

Folge 19 - Bäume. 19.1 Binärbäume - Allgemeines. Grundlagen: Ulrich Helmich: Informatik 2 mit BlueJ - Ein Kurs für die Stufe 12 Grundlagen: Folge 19 - Bäume 19.1 Binärbäume - Allgemeines Unter Bäumen versteht man in der Informatik Datenstrukturen, bei denen jedes Element mindestens zwei Nachfolger hat. Bereits in der Folge 17 haben

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

y(p F x) gebunden und in den Formeln F xy

y(p F x) gebunden und in den Formeln F xy Wirkungsbereich (Skopus) eines Quantors i bzw. i nennen wir die unmittelbar auf i bzw. i folgende Formel. Wir sagen, eine IV i kommt in einer Formel A gebunden vor, wenn sie unmittelbar auf oder folgt

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

Programmiertechnik II

Programmiertechnik II Bäume Symboltabellen Suche nach Werten (items), die unter einem Schlüssel (key) gefunden werden können Bankkonten: Schlüssel ist Kontonummer Flugreservierung: Schlüssel ist Flugnummer, Reservierungsnummer,...

Mehr

Informatik II Bäume. Beispiele. G. Zachmann Clausthal University, Germany zach@in.tu-clausthal.de. Stammbaum. Stammbaum. Stammbaum

Informatik II Bäume. Beispiele. G. Zachmann Clausthal University, Germany zach@in.tu-clausthal.de. Stammbaum. Stammbaum. Stammbaum lausthal Beispiele Stammbaum Informatik II. Zachmann lausthal University, ermany zach@in.tu-clausthal.de. Zachmann Informatik - SS 06 Stammbaum Stammbaum / Parse tree, Rekursionsbaum Parse tree, Rekursionsbaum

Mehr

Steinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering

Steinerbäume. Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Steinerbäume Seminarausarbeitung Hochschule Aalen Fakultät für Elektronik und Informatik Studiengang Informatik Schwerpunkt Software Engineering Verfasser Flamur Kastrati Betreuer Prof. Dr. habil. Thomas

Mehr

1 Aussagenlogik und Mengenlehre

1 Aussagenlogik und Mengenlehre 1 Aussagenlogik und engenlehre 1.1 engenlehre Definition (Georg Cantor): nter einer enge verstehen wir jede Zusammenfassung von bestimmten wohl unterschiedenen Objekten (m) unserer Anschauung oder unseres

Mehr

2.4.3 Zustandsgraphen

2.4.3 Zustandsgraphen 2.4.3 Zustandsgraphen Folie 2-1+45 Paradigma der Zustandsmodellierung Zustandsmodellierung betrachtet ein System als Zustandsautomaten beschreibt die Zerlegung in Zustände und Zustandsübergänge orientiert

Mehr

Data Mining und Text Mining Einführung. S2 Einfache Regellerner

Data Mining und Text Mining Einführung. S2 Einfache Regellerner Data Mining und Text Mining Einführung S2 Einfache Regellerner Hans Hermann Weber Univ. Erlangen, Informatik 8 Wintersemester 2003 hans.hermann.weber@gmx.de Inhalt Einiges über Regeln und Bäume R1 ein

Mehr

2.4.3 Zustandsgraphen

2.4.3 Zustandsgraphen 2.4.3 Zustandsgraphen Folie 2-1+45 Paradigma der Zustandsmodellierung Zustandsmodellierung betrachtet ein System als Zustandsautomaten beschreibt die Zerlegung in Zustände und Zustandsübergänge orientiert

Mehr

Proseminar - Data Mining

Proseminar - Data Mining Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,

Mehr

Wiederholung ADT Menge Ziel: Verwaltung (Finden, Einfügen, Entfernen) einer Menge von Elementen

Wiederholung ADT Menge Ziel: Verwaltung (Finden, Einfügen, Entfernen) einer Menge von Elementen Was bisher geschah abstrakter Datentyp : Signatur Σ und Axiome Φ z.b. ADT Menge zur Verwaltung (Finden, Einfügen, Entfernen) mehrerer Elemente desselben Typs Spezifikation einer Schnittstelle Konkreter

Mehr

Kapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete

Kapitel 4: Dynamische Datenstrukturen. Algorithmen und Datenstrukturen WS 2012/13. Prof. Dr. Sándor Fekete Kapitel 4: Dynamische Datenstrukturen Algorithmen und Datenstrukturen WS 2012/13 Prof. Dr. Sándor Fekete 4.4 Binäre Suche Aufgabenstellung: Rate eine Zahl zwischen 100 und 114! Algorithmus 4.1 INPUT: OUTPUT:

Mehr

368 4 Algorithmen und Datenstrukturen

368 4 Algorithmen und Datenstrukturen Kap04.fm Seite 368 Dienstag, 7. September 2010 1:51 13 368 4 Algorithmen und Datenstrukturen Java-Klassen Die ist die Klasse Object, ein Pfeil von Klasse A nach Klasse B bedeutet Bextends A, d.h. B ist

Mehr

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes.

4. Jeder Knoten hat höchstens zwei Kinder, ein linkes und ein rechtes. Binäre Bäume Definition: Ein binärer Baum T besteht aus einer Menge von Knoten, die durch eine Vater-Kind-Beziehung wie folgt strukturiert ist: 1. Es gibt genau einen hervorgehobenen Knoten r T, die Wurzel

Mehr

PPL 10 Installationsanleitung

PPL 10 Installationsanleitung PPL 10 Installationsanleitung Stand Juli 2012!" Inhaltsverzeichnis Schritt 1: Installation Dongle Software... 3 Schritt 2: Überprüfung Installation Dongle Software... 6 Schritt 3: Überprüfung der JAVA

Mehr

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr.

Übungsklausur. Bitte wählen Sie fünf Aufgaben aus! Aufgabe 1. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Übungsklausur zu Mathematik I für BWL und VWL (WS 2008/09) PD Dr. Gert Zöller Übungsklausur Hilfsmittel: Taschenrechner, Formblatt mit Formeln. Lösungswege sind stets anzugeben. Die alleinige Angabe eines

Mehr

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2

w a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2 1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba

Mehr

Zeichnen von Graphen. graph drawing

Zeichnen von Graphen. graph drawing Zeichnen von Graphen graph drawing WS 2006 / 2007 Gruppe: D_rot_Ala0607 Christian Becker 11042315 Eugen Plischke 11042351 Vadim Filippov 11042026 Gegeben sei ein Graph G = (V; E) Problemstellung V E =

Mehr

t r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r )

t r Lineare Codierung von Binärbbäumen (Wörter über dem Alphabet {, }) Beispiel code( ) = code(, t l, t r ) = code(t l ) code(t r ) Definition B : Menge der binären Bäume, rekursiv definiert durch die Regeln: ist ein binärer Baum sind t l, t r binäre Bäume, so ist auch t =, t l, t r ein binärer Baum nur das, was durch die beiden vorigen

Mehr

Schaltalgebra - logische Schaltungen

Schaltalgebra - logische Schaltungen Schaltalgebra - logische Schaltungen Bakkalaureatsarbeit im Rahmen des Mathematischen Seminars unter Leitung von Wolfgang Schmid eingereicht von Verena Horak Salzburg, Sommersemester 2003 Inhaltsverzeichnis

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Highway Hierarchies. Kristian Dannowski, Matthias Hoeschel

Highway Hierarchies. Kristian Dannowski, Matthias Hoeschel Highway Hierarchies Kristian Dannowski, Matthias Hoeschel Gliederung Einleitung / Bidirektional Dijkstra Intuition / Naive Strategie Konstruktion der Highway Hierarchie Suche in der Highway Hierarchie

Mehr

Gesucht und Gefunden: Die Funktionsweise einer Suchmaschine

Gesucht und Gefunden: Die Funktionsweise einer Suchmaschine Gesucht und Gefunden: Die Funktionsweise einer Suchmaschine Prof. Dr. Peter Becker FH Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@fh-bonn-rhein-sieg.de Vortrag im Rahmen des Studieninformationstags

Mehr

Frieder Nake: Information und Daten

Frieder Nake: Information und Daten Frieder Nake: Information und Daten Mit Grundlagen der Zeichentheorie nach Morris Seminar 31120: Information Philosophische und informationswissenschaftliche Perspektiven, SS 2004 Frieder Nake: Information

Mehr

Ohne Mathematik undenkbar!

Ohne Mathematik undenkbar! Die tägliche - Suche: Ohne Mathematik undenkbar! Dipl.-Wirt.Math. Jan Maruhn FB IV - Mathematik Universität Trier 29. März 2006 29. März 2006 Seite 1 Gliederung Einleitung und Motivation Das Internet als

Mehr

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik

2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Stefan Lucks Diskrete Strukturen (WS 2009/10) 57 2: Zahlentheorie / Restklassen 2.1: Modulare Arithmetik Uhr: Stunden mod 24, Minuten mod 60, Sekunden mod 60,... Rechnerarithmetik: mod 2 w, w {8, 16, 32,

Mehr

Skriptum zur Vorlesung Mathematische Logik

Skriptum zur Vorlesung Mathematische Logik Skriptum zur Vorlesung Mathematische Logik Klaus Gloede Mathematisches Institut der Universität Heidelberg Wintersemester 2006/07 INHALTSVERZEICHNIS i Inhaltsverzeichnis I Collegium Logicum 1 1 Die Aussagenlogik

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

Übungen zu Modellierung verteilter Systeme

Übungen zu Modellierung verteilter Systeme Technische Universität München SoSe 2014 Institut für Informatik Lösungsblatt 1 PD Dr.habil. B. Schätz Ausgabe: 17. April 2014 M. Gleirscher, D. Marmsoler Besprechung: 24. April 2014 Übungen zu Modellierung

Mehr

Dominik Pretzsch TU Chemnitz 2011

Dominik Pretzsch TU Chemnitz 2011 Dominik Pretzsch TU Chemnitz 2011 Wir leben im Informationszeitalter und merken es daran, dass wir uns vor Information nicht mehr retten können. Nicht der überwältigende Nutzen der Information, sondern

Mehr

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort:

Tangentengleichung. Wie lautet die Geradengleichung für die Tangente, y T =? Antwort: Tangentengleichung Wie Sie wissen, gibt die erste Ableitung einer Funktion deren Steigung an. Betrachtet man eine fest vorgegebene Stelle, gibt f ( ) also die Steigung der Kurve und somit auch die Steigung

Mehr

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren.

Basis und Dimension. Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Basis und Dimension Als nächstes wollen wir die wichtigen Begriffe Erzeugendensystem und Basis eines Vektorraums definieren. Definition. Sei V ein K-Vektorraum und (v i ) i I eine Familie von Vektoren

Mehr

Tutoren Simon Andermatt Lukas Beck. Alexis Peter Thomas Ritter

Tutoren Simon Andermatt Lukas Beck. Alexis Peter Thomas Ritter UNIVERSITÄT BASEL Dozent Prof. Dr. Thomas Vetter Departement Informatik Assistenten Brian Amberg Andreas Forster Tutoren Simon Andermatt Lukas Beck Webseite http://informatik.unibas.ch/lehre/hs10/cs101/index.html

Mehr