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

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

Grundlagen der Künstlichen Intelligenz

Grundlagen der Künstlichen Intelligenz Grundlagen der Künstlichen Intelligenz 27. Aussagenlogik: Logisches Schliessen und Resolution Malte Helmert Universität Basel 28. April 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26.

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

Logische Folgerung. Definition 2.11

Logische Folgerung. Definition 2.11 Logische Folgerung Definition 2.11 Sei 2A eine aussagenlogische Formel und F eine endliche Menge aussagenlogischer Formeln aus A. heißt logische Folgerung von F genau dann, wenn I ( ) =1für jedes Modell

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

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

Logik für Informatiker

Logik für Informatiker Logik für Informatiker 2. Aussagenlogik Teil 3 30.04.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Letztes Mal Aussagenlogik Syntax: welche Formeln? Semantik:

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

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

Zusammenfassung. Satz. 1 Seien F, G Boolesche Ausdrücke (in den Variablen x 1,..., x n ) 2 Seien f : B n B, g : B n B ihre Booleschen Funktionen

Zusammenfassung. Satz. 1 Seien F, G Boolesche Ausdrücke (in den Variablen x 1,..., x n ) 2 Seien f : B n B, g : B n B ihre Booleschen Funktionen Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 6 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Satz 1 Seien F, G Boolesche Ausdrücke

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

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

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

Satz. Für jede Herbrand-Struktur A für F und alle t D(F ) gilt offensichtlich

Satz. Für jede Herbrand-Struktur A für F und alle t D(F ) gilt offensichtlich Herbrand-Strukturen und Herbrand-Modelle Sei F eine Aussage in Skolemform. Dann heißt jede zu F passende Struktur A =(U A, I A )eineherbrand-struktur für F, falls folgendes gilt: 1 U A = D(F ), 2 für jedes

Mehr

Erfüllbarkeit und Allgemeingültigkeit

Erfüllbarkeit und Allgemeingültigkeit Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 3.3 Aussagenlogik Erfüllbarkeit 44 Erfüllbarkeit und Allgemeingültigkeit Def.: eine Formel ϕ heißt erfüllbar, wennesein I gibt, so dass I = ϕ

Mehr

5. Aussagenlogik und Schaltalgebra

5. Aussagenlogik und Schaltalgebra 5. Aussagenlogik und Schaltalgebra Aussageformen und Aussagenlogik Boolesche Terme und Boolesche Funktionen Boolesche Algebra Schaltalgebra Schaltnetze und Schaltwerke R. Der 1 Aussagen Information oft

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

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

Semantic Web Technologies I!

Semantic Web Technologies I! www.semantic-web-grundlagen.de Semantic Web Technologies I! Lehrveranstaltung im WS11/12! Dr. Elena Simperl! DP Dr. Sebastian Rudolph! M.Sc. Anees ul Mehdi! www.semantic-web-grundlagen.de Logik Grundlagen!

Mehr

Semantik von Formeln und Sequenzen

Semantik von Formeln und Sequenzen Semantik von Formeln und Sequenzen 33 Grundidee der Verwendung von Logik im Software Entwurf Syntax: Menge von Formeln = Axiome Ax K ist beweisbar Formel ϕ beschreiben Korrektkeit Vollständigkeit beschreibt

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

Theoretische Grundlagen des Software Engineering

Theoretische Grundlagen des Software Engineering Theoretische Grundlagen des Software Engineering 7: Einführung Aussagenlogik schulz@eprover.org Logisches Schließen 2 gold +1000, 1 per step, Beispiel: Jage den Wumpus Performance measure death 1000 10

Mehr

der einzelnen Aussagen den Wahrheitswert der zusammengesetzten Aussage falsch falsch falsch falsch wahr falsch wahr falsch falsch wahr wahr wahr

der einzelnen Aussagen den Wahrheitswert der zusammengesetzten Aussage falsch falsch falsch falsch wahr falsch wahr falsch falsch wahr wahr wahr Kapitel 2 Grundbegriffe der Logik 2.1 Aussagen und deren Verknüpfungen Eine Aussage wie 4711 ist durch 3 teilbar oder 2 ist eine Primzahl, die nur wahr oder falsch sein kann, heißt logische Aussage. Ein

Mehr

Formale Systeme, WS 2012/2013 Lösungen zu Übungsblatt 4

Formale Systeme, WS 2012/2013 Lösungen zu Übungsblatt 4 Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter H. Schmitt David Farago, Christoph Scheben, Mattias Ulbrich Formale Systeme, WS 2012/2013 Lösungen zu Übungsblatt

Mehr

Wissensbasierte Systeme

Wissensbasierte Systeme WBS3 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 3: Algorithmische Grundlagen der KI WBS3 Slide 2 Suchstrategien Warum sind Suchstrategien so wichtig in Wissensbasierten Systemen?

Mehr

Klausur Formale Systeme Fakultät für Informatik WS 2009/2010

Klausur Formale Systeme Fakultät für Informatik WS 2009/2010 Klausur Formale Systeme Fakultät für Informatik WS 2009/2010 Prof. Dr. Bernhard Beckert 18. Februar 2010 Name: Mustermann Vorname: Peter Matrikel-Nr.: 0000000 Klausur-ID: 0000 A1 (15) A2 (10) A3 (10) A4

Mehr

9. Übung Formale Grundlagen der Informatik

9. Übung Formale Grundlagen der Informatik Institut für Informatik Sommersemester 2001 Universität Zürich 9. Übung Formale Grundlagen der Informatik Norbert E. Fuchs (fuchs@ifi.unizh.ch) Reinhard Riedl (riedl@ifi.unizh.ch) Nadine Korolnik (korolnik@ifi.unizh.ch)

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

1 Aussagenlogische Formeln

1 Aussagenlogische Formeln 1 Aussagenlogische Formeln Aufgabe 1.1 Transformieren Sie die Formel in disjunktive Normalform (DNF). ((:A! :B) ^ D)! ((A _ C) $ (:B ^ D)) Lösung 1.1 Schrittweise Transformation: Schritt 1: ((:A! :B) ^

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

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

Wissensbasierte Systeme II

Wissensbasierte Systeme II Wissensbasierte Systeme II Peter Becker FH Bonn-Rhein-Sieg Fachbereich Informatik peter.becker@fh-bonn-rhein-sieg.de Vorlesung Wintersemester 2003/04 Sicherer Umgang mit Datenstrukturen und Algorithmen

Mehr

2. Vorlesung. Slide 40

2. Vorlesung. Slide 40 2. Vorlesung Slide 40 Knobelaufgabe Was tut dieses Programm? Informell Formal Wie stellt man dies sicher? knobel(a,b) { Wenn a = 0 dann return b sonst { solange b 0 wenn a > b dann { a := a - b sonst b

Mehr

Informatik I WS 07/08 Tutorium 24

Informatik I WS 07/08 Tutorium 24 Info I Tutorium 24 Informatik I WS 07/08 Tutorium 24 3.2.07 astian Molkenthin E-Mail: infotut@sunshine2k.de Web: http://infotut.sunshine2k.de Organisatorisches / Review is zum 2.2 müssen alle Praxisaufgaben

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 Informatik II. Teil I: Formale Modelle der Informatik

Grundlagen der Informatik II. Teil I: Formale Modelle der Informatik Grundlagen der Informatik II Teil I: Formale Modelle der Informatik 1 Einführung GdInfoII 1-2 Ziele/Fragestellungen der Theoretischen Informatik 1. Einführung abstrakter Modelle für informationsverarbeitende

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

Vortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik)

Vortrag. Suchverfahren der Künstlichen Intelligenz. Sven Schmidt (Technische Informatik) Vortrag Suchverfahren der Künstlichen Intelligenz Sven Schmidt (Technische Informatik) Suchverfahren der Künstlichen Intelligenz Grundlagen Zustandsraumrepräsentation Generische Suche Bewertung von Suchstrategien

Mehr

Universität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik. Seminar Entscheidungsverfahren für logische Theorien. Endliche Modelle.

Universität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik. Seminar Entscheidungsverfahren für logische Theorien. Endliche Modelle. Universität Koblenz-Landau, Abteilung Koblenz FB 4 Informatik Seminar Entscheidungsverfahren für logische Theorien Tobias Hebel Koblenz, am 18.02.2005 Inhaltsverzeichnis 1 Einleitung... 3 2 Grundlagen...

Mehr

Zusammenfassung. 1 Wir betrachten die folgende Signatur F = {+,,, 0, 1} sodass. 3 Wir betrachten die Gleichungen E. 4 Dann gilt E 1 + x 1

Zusammenfassung. 1 Wir betrachten die folgende Signatur F = {+,,, 0, 1} sodass. 3 Wir betrachten die Gleichungen E. 4 Dann gilt E 1 + x 1 Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 7 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 1 Wir betrachten die folgende Signatur

Mehr

Diskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier fernau@uni-trier.de

Diskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier fernau@uni-trier.de Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre

Mehr

2. Spielbäume und Intelligente Spiele

2. Spielbäume und Intelligente Spiele 2. Spielbäume und Intelligente Spiele Arten von Spielen 2. Spielbäume und Intelligente Spiele Kombinatorische Spiele als Suchproblem Wie berechnet man eine gute Entscheidung? Effizienzverbesserung durch

Mehr

Formale Methoden II. Gerhard Jäger. SS 2008 Universität Bielefeld. Teil 8, 11. Juni 2008. Formale Methoden II p.1/30

Formale Methoden II. Gerhard Jäger. SS 2008 Universität Bielefeld. Teil 8, 11. Juni 2008. Formale Methoden II p.1/30 Formale Methoden II SS 2008 Universität Bielefeld Teil 8, 11. Juni 2008 Gerhard Jäger Formale Methoden II p.1/30 Beispiele Anmerkung: wenn der Wahrheitswert einer Formel in einem Modell nicht von der Belegungsfunktion

Mehr

Theoretische Informatik

Theoretische Informatik Theoretische Informatik - das Quiz zur Vorlesung Teil I - Grundzüge der Logik In der Logik geht es um... (A) die Formen korrekten Folgerns (B) die Unterscheidung von wahr und falsch (C) das Finden von

Mehr

Teil 7. Grundlagen Logik

Teil 7. Grundlagen Logik Teil 7 Grundlagen Logik Was ist Logik? etymologische Herkunft: griechisch bedeutet Wort, Rede, Lehre (s.a. Faust I ) Logik als Argumentation: Alle Menschen sind sterblich. Sokrates ist ein Mensch. Also

Mehr

Theoretische Grundlagen des Software Engineering

Theoretische Grundlagen des Software Engineering Theoretische Grundlagen des Software Engineering 9: Prädikatenlogik schulz@eprover.org Rückblick 2 Rückblick: Vor- und Nachteile von Aussagenlogik Aussagenlogik ist deklarativ: Syntaxelemente entsprechen

Mehr

Einführung in die Fuzzy Logic

Einführung in die Fuzzy Logic Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]

Mehr

Program = Logic + Control

Program = Logic + Control Program = Logic + Control Prozedurale/imperative Sprachen: Abläufe formulieren Computer führt aus von-neumann-maschine Idee von deklarativen/logischen/funktionalen Programmiersprachen: Zusammenhänge formulieren

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

Theorie der Informatik

Theorie der Informatik Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 Einführung Beispiel: Aussagenlogische Formeln Aus dem Logikteil: Definition (Syntax

Mehr

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56

5.1 Drei wichtige Beweistechniken... 55 5.2 Erklärungen zu den Beweistechniken... 56 5 Beweistechniken Übersicht 5.1 Drei wichtige Beweistechniken................................. 55 5. Erklärungen zu den Beweistechniken............................ 56 Dieses Kapitel ist den drei wichtigsten

Mehr

Algorithmen und Datenstrukturen 2

Algorithmen und Datenstrukturen 2 Algorithmen und Datenstrukturen 2 Sommersemester 2007 4. Vorlesung Peter F. Stadler Universität Leipzig Institut für Informatik studla@bioinf.uni-leipzig.de Traversierung Durchlaufen eines Graphen, bei

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

Prädikatenlogik - Micromodels of Software

Prädikatenlogik - Micromodels of Software Prädikatenlogik - Micromodels of Software Philipp Koch Seminar Logik für Informatiker Universität Paderborn Revision: 30. Mai 2005 1 Inhaltsverzeichnis 1 Motivation 3 2 Modelle 3 2.1 Definition eines Modells.......................

Mehr

Motivation. Formale Grundlagen der Informatik 1 Kapitel 19. Syntax & Semantik. Motivation - Beispiel. Motivation - Beispiel

Motivation. Formale Grundlagen der Informatik 1 Kapitel 19. Syntax & Semantik. Motivation - Beispiel. Motivation - Beispiel Motivation Formale Grundlagen der Informatik 1 Kapitel 19 & Die ist eine Erweiterung der Aussagenlogik. Sie hat eine größere Ausdrucksstärke und erlaub eine feinere Differenzierung. Ferner sind Beziehungen/Relationen

Mehr

Klausur für Studiengänge INF und IST

Klausur für Studiengänge INF und IST Familienname: Matrikelnummer: Studiengang: (bitte ankreuzen) INF IST MED Vorname: Email-Adresse: Immatrikulationsjahr: Klausur für Studiengänge INF und IST sowie Leistungsschein für Studiengang Medieninformatik

Mehr

Unterscheidung: Workflowsystem vs. Informationssystem

Unterscheidung: Workflowsystem vs. Informationssystem 1. Vorwort 1.1. Gemeinsamkeiten Unterscheidung: Workflowsystem vs. Die Überschneidungsfläche zwischen Workflowsystem und ist die Domäne, also dass es darum geht, Varianten eines Dokuments schrittweise

Mehr

Kapitel 1.3. Normalformen aussagenlogischer Formeln und die Darstellbarkeit Boolescher Funktionen durch aussagenlogische Formeln

Kapitel 1.3. Normalformen aussagenlogischer Formeln und die Darstellbarkeit Boolescher Funktionen durch aussagenlogische Formeln Kapitel 1.3 Normalformen aussagenlogischer Formeln und die Darstellbarkeit Boolescher Funktionen durch aussagenlogische Formeln Mathematische Logik (WS 2011/12) Kapitel 1.3: Normalformen 1/ 29 Übersicht

Mehr

Uninformierte Suche in Java Informierte Suchverfahren

Uninformierte Suche in Java Informierte Suchverfahren Uninformierte Suche in Java Informierte Suchverfahren Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Suchprobleme bestehen aus Zuständen

Mehr

7. Formale Sprachen und Grammatiken

7. Formale Sprachen und Grammatiken 7. Formale Sprachen und Grammatiken Computer verwenden zur Verarbeitung von Daten und Informationen künstliche, formale Sprachen (Maschinenspr., Assemblerspachen, Programmierspr., Datenbankspr., Wissensrepräsentationsspr.,...)

Mehr

Auswahl von Klauseln und Atomen in Prolog

Auswahl von Klauseln und Atomen in Prolog 5.6 Prolog... ist die bekannteste Implementierung einer LP-Sprache; wurde Anfang der 1970er von Alain Colmerauer (Marseille) und Robert Kowalski (Edinburgh) entwickelt. konkretisiert den vorgestellten

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

Normalformen boolescher Funktionen

Normalformen boolescher Funktionen Normalformen boolescher Funktionen Jeder boolesche Ausdruck kann durch (äquivalente) Umformungen in gewisse Normalformen gebracht werden! Disjunktive Normalform (DNF) und Vollkonjunktion: Eine Vollkonjunktion

Mehr

Terme stehen für Namen von Objekten des Diskursbereichs (Subjekte, Objekte des natürlichsprachlichen Satzes)

Terme stehen für Namen von Objekten des Diskursbereichs (Subjekte, Objekte des natürlichsprachlichen Satzes) Prädikatenlogik Man kann den natürlichsprachlichen Satz Die Sonne scheint. in der Prädikatenlogik beispielsweise als logisches Atom scheint(sonne) darstellen. In der Sprache der Prädikatenlogik werden

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

Teil 1: Digitale Logik

Teil 1: Digitale Logik Teil 1: Digitale Logik Inhalt: Boolesche Algebra kombinatorische Logik sequentielle Logik kurzer Exkurs technologische Grundlagen programmierbare logische Bausteine 1 Analoge und digitale Hardware bei

Mehr

2.11 Kontextfreie Grammatiken und Parsebäume

2.11 Kontextfreie Grammatiken und Parsebäume 2.11 Kontextfreie Grammatiken und Parsebäume Beispiel: Beispiel (Teil 3): Beweis für L(G) L: Alle Strings aus L der Länge 0 und 2 sind auch in L(G). Als Induktionsannahme gehen wir davon aus, dass alle

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

Programmiersprachen und Übersetzer

Programmiersprachen und Übersetzer Programmiersprachen und Übersetzer Sommersemester 2010 19. April 2010 Theoretische Grundlagen Problem Wie kann man eine unendliche Menge von (syntaktisch) korrekten Programmen definieren? Lösung Wie auch

Mehr

Theoretische Grundlagen der Informatik

Theoretische Grundlagen der Informatik Theoretische Grundlagen der Informatik Vorlesung am 12.01.2012 INSTITUT FÜR THEORETISCHE 0 KIT 12.01.2012 Universität des Dorothea Landes Baden-Württemberg Wagner - Theoretische und Grundlagen der Informatik

Mehr

Nichtmonotones Schließen

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

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

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206

Dynamische Optimierung. Kapitel 4. Dynamische Optimierung. Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Kapitel 4 Dynamische Optimierung Peter Becker (H-BRS) Operations Research II Wintersemester 2014/15 160 / 206 Inhalt Inhalt 4 Dynamische Optimierung Allgemeiner Ansatz und Beispiele Stochastische dynamische

Mehr

Grundlagen der Theoretischen Informatik - Sommersemester 2012. Übungsblatt 1: Lösungsvorschläge

Grundlagen der Theoretischen Informatik - Sommersemester 2012. Übungsblatt 1: Lösungsvorschläge Lehrstuhl für Softwaretechnik und Programmiersprachen Professor Dr. Michael Leuschel Grundlagen der Theoretischen Informatik - Sommersemester 2012 Übungsblatt 1: Lösungsvorschläge Disclaimer: Bei Folgendem

Mehr

Einführung in die Theoretische Informatik

Einführung in die Theoretische Informatik Einführung in die Theoretische Informatik Woche 10 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Zusammenfassung Zusammenfassung der letzten LV Satz Sei G = (V, Σ, R, S) eine kontextfreie

Mehr

Pratts Primzahlzertifikate

Pratts Primzahlzertifikate Pratts Primzahlzertifikate Markus Englert 16.04.2009 Technische Universität München Fakultät für Informatik Proseminar: Perlen der Informatik 2 SoSe 2009 Leiter: Prof. Dr. Nipkow 1 Primzahltest Ein Primzahltest

Mehr

Kapitel 1.3. Normalformen aussagenlogischer Formeln. Mathematische Logik (WS 2010/11) Kapitel 1.3: Normalformen 1 / 1

Kapitel 1.3. Normalformen aussagenlogischer Formeln. Mathematische Logik (WS 2010/11) Kapitel 1.3: Normalformen 1 / 1 Kapitel 1.3 Normalformen aussagenlogischer Formeln Mathematische Logik (WS 2010/11) Kapitel 1.3: Normalformen 1 / 1 Boolesche Formeln, Literale und Klauseln Eine Boolesche Formel ist eine aussagenlogische

Mehr

Kapitel 3: Problemformulierungen in der KI. oder das Problem ist die halbe Lösung

Kapitel 3: Problemformulierungen in der KI. oder das Problem ist die halbe Lösung Kapitel 3: Problemformulierungen in der KI oder das Problem ist die halbe Lösung Lernziele: eine Struktur für die Definition eines problemlösenden Agenten kennen die wichtige Rolle von Abstraktionen in

Mehr

Die Klassen P und NP. Dr. Eva Richter. 29. Juni 2012

Die Klassen P und NP. Dr. Eva Richter. 29. Juni 2012 Die Klassen P und NP Dr. Eva Richter 29. Juni 2012 1 / 35 Die Klasse P P = DTIME(Pol) Klasse der Probleme, die sich von DTM in polynomieller Zeit lösen lassen nach Dogma die praktikablen Probleme beim

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

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

Formale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK

Formale Systeme. Binary Decision Diagrams. Prof. Dr. Bernhard Beckert WS 2010/2011 KIT INSTITUT FÜR THEORETISCHE INFORMATIK Formale Systeme Prof. Dr. Bernhard Beckert WS / KIT INSTITUT FÜR THEORETISCHE INFORMATIK KIT University of the State of Baden-Württemberg and National Large-scale Research Center of the Helmholtz Association

Mehr

Fixpunktsemantik logischer Programme Pascal Hitzler Juli 1997 Kurzuberblick im Rahmen der Vorlesung Einfuhrung in Prolog von T. Cornell im Sommersemester 1997 an der Universitat Tubingen. Beweise sind

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

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

1. Der Begriff Informatik 2. Syntax und Semantik von Programmiersprachen. I.2. I.2. Grundlagen von von Programmiersprachen.

1. Der Begriff Informatik 2. Syntax und Semantik von Programmiersprachen. I.2. I.2. Grundlagen von von Programmiersprachen. 1. Der Begriff Informatik 2. Syntax und Semantik von Programmiersprachen I.2. I.2. Grundlagen von von Programmiersprachen. - 1 - 1. Der Begriff Informatik "Informatik" = Kunstwort aus Information und Mathematik

Mehr

Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen

Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung

Mehr

Logik für Informatiker

Logik für Informatiker Vorlesung Logik für Informatiker 3. Aussagenlogik Einführung: Logisches Schließen im Allgemeinen Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Beispiel:

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

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

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

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

Was ist ein Compiler?

Was ist ein Compiler? Was ist ein Compiler? Was ist ein Compiler und worum geht es? Wie ist ein Compiler aufgebaut? Warum beschäftigen wir uns mit Compilerbau? Wie ist die Veranstaltung organisiert? Was interessiert Sie besonders?

Mehr

Informatik A ( Frank Hoffmann)

Informatik A ( Frank Hoffmann) Teillösungen zum 1. Aufgabenblatt zur Vorlesung Informatik A ( Frank Hoffmann) 1. Improvisieren Stellen Sie die Zahl 6 dar durch einen Ausdruck, der genau dreimal die Ziffer i enthält und ansonsten neben

Mehr

Klausur Formale Systeme Fakultät für Informatik WS 2009/2010. Prof. Dr. Bernhard Beckert. 18. Februar 2010

Klausur Formale Systeme Fakultät für Informatik WS 2009/2010. Prof. Dr. Bernhard Beckert. 18. Februar 2010 Klausur Formale Systeme Fakultät für Informatik Name: Mustermann Vorname: Peter Matrikel-Nr.: 0000000 Klausur-ID: 0000 WS 2009/2010 Prof. Dr. Bernhard Beckert 18. Februar 2010 A1 (15) A2 (10) A3 (10) A4

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

Logik und Mengenlehre. ... wenn man doch nur vernünftig mit Datenbanken umgehen können will?

Logik und Mengenlehre. ... wenn man doch nur vernünftig mit Datenbanken umgehen können will? Mengenlehre und Logik: iederholung Repetitorium: Grundlagen von Mengenlehre und Logik 2002 Prof. Dr. Rainer Manthey Informationssysteme 1 arum??? arum um alles in der elt muss man sich mit herumschlagen,......

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

Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln

Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen

Mehr