Methoden wissensbasierter Sy steme

Größe: px
Ab Seite anzeigen:

Download "Methoden wissensbasierter Sy steme"

Transkript

1 Christoph Beierle Gabriele Kern-lsberner Methoden wissensbasierter Sy steme Grundlagen, Algorithmen, Anwendungen 4., verbesserte Auflage Mit 147 Abbildungen STUDIUM VIEWEG+ TEUBNER

2 Xlll Vorwort zur 1. Auflage Vorwort zur 3., iiberarbeiteten und erweiterten Auflage Vorwort zur 4. Auflage vii ix xi xiii 1 Einleiturxg Uber dieses Buch Themenbereiche des Buches 2 2 Wissensbasierte Systeme im Uberblick Beispicle fur wissensbasierte Systeme Geldabheben am Automaten Medizinischc Diagnose Wissensbasierte Systeme und Expertensysteme Eigenschaften von Experten und Expertensystemen Zur Geschichte wissensbasierter Systeme Das medizinischc Diagnosesystem MYCIN Aufbau und Entwicklung wissensbasierter Systeme Architektur eines wissensbasierten Systems Entwicklung eines wissensbasierten Systems 19 3 Logikbasierte Wissensreprasentation und Inferenz Formen der Inferenz Menschlich&s Schliefien und Inferenz Charaktorisierung der Inferenzrelation nach Peirce Deduktives SchlieBen Unsicheres Schliefien Logische Systeme Signaturen Formeln Interpret at ionen Erfiillungsrelation Eigenschaften klassisch-logischer Systeme Erfiillungsrelation und Wahrheitsfunktionalitat Modelle und logische Folgerung Inferenzregeln und Kalkiile Korrektheit und Vollstandigkeit von Kalkiilen Logisches Folgern durch Widerspruch Entscheidbarkeitsresultate Logische Grundlagen: Aussagenlogik Syntax 42

3 Inhalt sver zeichnis Semantik Aquivalenzen und Normalformen Wahrheitstafeln und Ableitungen in der Aussagenlogik Logische Grundlagen: Pradikatenlogik 1. Stufe Signaturen und Interpretationen Terme und Termauswertung Formeln und Formelauswertung Aquivalenzen Ableitungen in der Pradikatenlogik 1. Stufe Normalformen Unifikation Der Resolutionskalkiil Erweiterungen Wie kommt der Delphin in den Karpfenteich? 69 4 Regelbasierte Systeme Was sind Regeln? Die Wissensbasis eines regelbasierten Systems Inferenz in einem regelbasierten System Regelnetzwerke Datengetriebene Inferenz (Vorwartsverkettung) Zielorientierte Inferenz (Ruckwartsverkettung) Das Problem der Widerspruchlichkeit Die Erklarungskomponente Signalsteuerung im Eisenbahnverkehr durch Regeln MYCIN - ein verallgemeinertes regelbasiertes System Modularitat und Effizienz regelbasierter Systeme Ausblick 97 5 Maschinelles Lernen Definition des Lernens Klassifikation der Ansatze zum maschinellen Lernen Klassifikation gemafi der benutzten Lernstrategie Klassifikation gemafi dem geiernten Typ von Wissen Klassifikation gemafi dem Anwendungsbereich Erlernen von Entscheidungsbaumen Entscheidungsbaume Erzeugung von Regeln aus Entscheidungsbaumen Generieren von Entscheidungsbaumen Bewertung des Lernerfolges und Anwendungen Die induktiven Lernverfahren ID3 und C Lernen von Konzepten Eine Konzeptlernaufgabe Allgemeine Problemstellung Representation von Beispielen und Konzepten Lernen von Konzepten als Suchproblem 125

4 5.4.5 Versionenraume Das Versionenraum-Lernverfahren Anwendungsbeispiel Eigenschaften des Versionenraum-Lernverfahrens Konzeptlemen mit Merkmalsbauinen Data Mining und Wissensfindung in Daten KDD - Knowledge Discovery in Databases Der KDD-Prozess Data Mining Assoziationsregeln Warenkorbanalyse 152 Fallbasiertes Schliefien Motivation Ein Beispiel Fallbasiertes SchlieBen und CBR-Systeme Grundziige des fallbasierten Schliefiens CBR-Systeme Anwendungsgebiete des fallbasierten Schliefiens Fallbasiertes SchlieBen im Vergleich mit anderen Methoden Die Grundtypen fallbasierten Schliefiens Der Prozess des fallbasierten Schliefiens Der CBR-Zyklus Die Prozesse im Einzelnen Die Reprasentation von Fallen Die Komponenten eines Falles Problem- und Situationsbeschreibung Die Reprasentation von Losungen Das Resultat eines Falles Methoden der Fallreprasentation Die Indizierung von Fallen Das Indexvokabular Die Kennzeichnung eines Falles durch Indizes Suche nach geeigneten Fallen Organisationsformen der Fallbasis Die Bestimmung der Ahnlichkeit Die Hamming-Ahnlichkeit Die gewichtete Hamming-Ahnlichkeit Verallgemeinerte Ahnlirhkeiten Beispiel: Ahnlirhkoitrn im PATDEX/2 - System Andere Ahnlichkoitsbestiinmungen Adaption Submit utionsmethodon 2i) Andcre Adaptionsmcthoden Wie ein fallbasiertes System lernt Einige abschlieficnde Bemcrkungen 201

5 xvi 7 Truth Maintenance-Systeme Die Rolle des nichtmonotonen Schliefiens in der KI Monotone vs. nichtmonotone Logik Truth Maintenance-Systeme Justification-based Truth Maintenance-Systeme - JTMS In's und Out's - die Grundbegriffe eines JTMS Der JTMS-Algorithms Anwendungsbeispiele Die JTMS-Inferenzrelation Assumption-based Truth Maintenance-Systeme - ATMS Grundbegriffe Arbeitsweise eines ATMS Verschiedene TMS im Vergleich Ausblicke Default-Logiken Default-Logik nach Reiter Aussehen und Bedeutung eines Defaults Die Syntax der Default-Logik Die Semantik der Default-Logik Ein operationaler Zugang zu Extensionen Prozessbaume., Berechnung von Prozessbaumen Eigenschaften der Reiter'schen Default-Logik Normale Defaults Die Poole'sche Default-Logik Nichtmonotone Inferenzrelationen fur Default-Logiken Probleme und Alternativen Logisches Programmieren und Anwortmengen Klassische logische Programme Anfragen und Antwortsubstitutionen Resolution von Hornklauseln SLD-Ableitungen Berechnete Antwortsubstitutionen Suchraum bei der SLD-Resolution Fixpunktsemantik logischer Programme Erweiterte logische Programme Die stabile Semantik normaler logischer Programme Die Ant wort mengen-semantik erweiterter logischer Programme Stabile Semantik und Antwortmengensemantik Truth Maintenance-Systeme und Default-Theorien Erweiterungen der Antwortmengensemantik Implement at ionen und Anwendungen Kriterien zur Beurteilung nichtmonotoner Inferenzoperationen Riickblick 305

6 XV11 10 Aktionen und Planen Planen in der Blockwelt Logische Grundlagen des Planens Der Situationskalkul Aktionen Situationen Veranderungen zwischen Situationen Ausfiihrungsbedingungen und Effektaxiome Zielbeschreibungen Probleme Das Rahmenproblem Das Qualifikationsproblem Das Verzweigungsproblem Plangenerierung im Situationskalkul Planen mit STRIPS Zustande und Zielbeschreibungen STRIPS-Operatoren Planen mit Vorw&rtssuche Planen mit Riickwartssuche Behandlung des Rahmenproblems in STRIPS Nichtklassische Planungssysteme Planen mit Antwortraengen Systeme zur Berechnung von Antwortmengen Planen mit SMODELS Behandlung des Rahmenproblems Ausblick und Anwendungen Agenten Das Konzept des Agenten Abstrakte Agentenmodelle Umgebungen. Aktionen und Laufe einps Agenten Wahrnehmungen Innerer Zustand Aufgabe und Erfolg eines Agenten Reaktive Agenten und Schichtenarchitekturen Logikbasierte Agenten 3o Belief-Desire-Intention-(BDI)-Agenten Praktisches Dcnkcu BDI-Architektur Procedural Reasoning System (PRS) Mult iagentensyst erne 3(>.S 12 Quantitative Methoden I - Probabilistische Netzwerke Ungcrichtetc Graphen Markov-Netze 3(>(i Separation in Grapiien und probabiiistische I'nahhangigkeit..'W(> Markov-Eigenschaftcn und Mnrkov-Giaphon 370

7 xviii Konstruktion von Markov-Graphen Potential-und Produktdarstellungen Gerichtete Graphen - Bayessche Netze Inferenz in probabilistischen Netzen Bayes-Netze und Potentialdarstellungen Der permanente Cliquenbaum als Wissensbasis Der Algorithmus von Lauritzen und Spiegelhalter Beriicksichtigung fallspezifischer Daten Bayessche Netzwerke in praktischen Anwendungen Erlernen Bayesscher isetze aus Daten Probabilistische Inferenz unter informationstheoretischen Aspekten4Q Weitere Anwendungen Proteinklassifikation mittels Hidden Markov Models (HMM) Herzerkrankungen bei Neugeborenen Suchterkrankungen und psychische Storungen Quantitative Methoden II - Dempster-Shafer-Theorie, Fuzzy- Theorie und Possibilistik Verallgemeinerte Wahrscheinlichkeitstheorie Die Dempster-Shafer-Theorie Basismafle und Glaubensfunktionen Dempsters Kombinationsregel Sensorenauswertung in der mobilen Robotik mittels Dempster-Shafer-Theorie Fuzzy-Theorie und Possibilistik Fuzzy-Theorie Possibilitatstheorie Expertensysteme mit Fuzzy-Regeln 433 A Wahrscheinlichkeit und Information 437 A.I Die Wahrscheinlichkeit von Formeln 437 A.2 Randverteilungen 442 A.3 Bedingte Wahrscheinlichkeiten 443 A.4 Der Satz von Bayes 445 A.5 Mehrwertige Aussagenvariable 447 A.6 Abhangigkeiten und Unabhangigkeiten 449 A.7 Der Begriff der Information. 453 A.8 Entropie 454 B Graphentheoretische Grundlagen 458 B.I Graphen und Cliquen 458 B.2 Triangulierte Graphen 462 B-3 Die running intersection property RIP 468 B.4 Hypergraphen 470 Literaturverzeichnis 473 Index 485

Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage. 1 Einleitung Über dieses Buch Themenbereiche des Buches 2

Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage. 1 Einleitung Über dieses Buch Themenbereiche des Buches 2 xi Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage vii ix xi 1 Einleitung 1 1.1 Über dieses Buch 1 1.2 Themenbereiche des Buches 2 2 Wissensbasierte Systeme im Uberblick 7

Mehr

Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage

Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage xi Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage vii ix xi 1 Einleitung 1 1.1 Über dieses Buch........................... 1 1.2 Themenbereiche des Buches.....................

Mehr

Einführung in die Methoden der Künstlichen Intelligenz. Klausurvorbereitung Überblick, Fragen,...

Einführung in die Methoden der Künstlichen Intelligenz. Klausurvorbereitung Überblick, Fragen,... Einführung in die Methoden der Künstlichen Intelligenz Klausurvorbereitung Überblick, Fragen,... PD Dr. David Sabel SoSe 2014 Stand der Folien: 18. Juli 2014 Klausur Termin: Donnerstag 31. Juli um 9.15h

Mehr

Wissensbasierte Systeme: Prüfungsfragen

Wissensbasierte Systeme: Prüfungsfragen Wissensbasierte Systeme: Prüfungsfragen Prof. Beierle: Assoziationsregeln erklären (Itemmenge, Transaktionen, support + confidence) durch Data Mining ermittelte Zusammenhänge zwischen Merkmalen nicht notwendig

Mehr

Künstliche Intelligenz

Künstliche Intelligenz George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer

Mehr

Datum: Prüfer: Prof. Dr. Beierle. Beisitzer: M.sc. Nico Potyka. Dauer: ca. 30 min. Note: 1,3

Datum: Prüfer: Prof. Dr. Beierle. Beisitzer: M.sc. Nico Potyka. Dauer: ca. 30 min. Note: 1,3 Datum: 23.10.2013 Prüfer: Prof. Dr. Beierle Beisitzer: M.sc. Nico Potyka Dauer: ca. 30 min Note: 1,3 Expertensysteme sind ja spezielle wissensbasierte Systeme. Welche Komponenten enthalten denn üblicherweise

Mehr

Quantitative Methoden Wissensbasierter Systeme

Quantitative Methoden Wissensbasierter Systeme Quantitative Methoden Wissensbasierter Systeme Probabilistische Netze und ihre Anwendungen Robert Remus Universität Leipzig Fakultät für Mathematik und Informatik Abteilung für Intelligente Systeme 23.

Mehr

Einführung in Expertensysteme

Einführung in Expertensysteme Frank Puppe Einführung in Expertensysteme Zweite Auflage Mit 86 Abbildungen Springer-Verlag Berlin Heidelberg New York London Paris Tokyo HongKong Barcelona Budapest Inhaltsverzeichnis Teil I. Einführung

Mehr

Hochschule R avensburg-weingarten University of Applied S ciences Default-Logik Benjamin R ana Angewandte Informatik, Informationsnetze 7.

Hochschule R avensburg-weingarten University of Applied S ciences Default-Logik Benjamin R ana Angewandte Informatik, Informationsnetze 7. Default-Logik Überblick Motivation Nichtmonotone-Logik Reiter-Logik Syntax Semantik Extensions Simulator Motivation Mit klassischer Logik lassen sich viele Zusammenhänge nicht einfach darstellen Was tun

Mehr

Cord Spreckelsen I Klaus Spitzer. Wissensbasen und Expertensysteme in der Medizin

Cord Spreckelsen I Klaus Spitzer. Wissensbasen und Expertensysteme in der Medizin Cord Spreckelsen I Klaus Spitzer Wissensbasen und Expertensysteme in der Medizin Medizinische Informatik Herausgegeben von Prof. Dr. rer. nat. Heinz Handels, Hamburg Prof. Dr. Dr. Siegfried Pappi, Lubeck

Mehr

Commonsense Reasoning

Commonsense Reasoning Commonsense Reasoning Gabriele Kern-Isberner LS 1 Information Engineering TU Dortmund Sommersemester 2015 G. Kern-Isberner (TU Dortmund) Commonsense Reasoning 1 / 232 Probabilistische Folgerungsmodelle

Mehr

1. Was ist der Unterschied zwischen Experten Systemen und Wissensbasierten Systemen?

1. Was ist der Unterschied zwischen Experten Systemen und Wissensbasierten Systemen? Fragenkatalog 1. Was ist der Unterschied zwischen Experten Systemen und Wissensbasierten Systemen? Die Unterscheidung der Herkunft der Art des in der Wissensbasis vorhandenen Wissens wird als einfaches

Mehr

Künstliche Intelligenz

Künstliche Intelligenz Stuart Russell, Peter Norvig Künstliche Intelligenz Ein moderner Ansatz 2. Auflage Mit Beiträgen von: John F. Canny Douglas D. Edwards Jitendra M. Malik Sebastian Thrun ein Imprint von Pearson Education

Mehr

Künstliche Intelligenz Logische Agenten & Resolution

Künstliche Intelligenz Logische Agenten & Resolution Künstliche Intelligenz Logische Agenten & Resolution Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Inferenz-Algorithmus Wie könnte ein

Mehr

Commonsense Reasoning

Commonsense Reasoning Commonsense Reasoning Gabriele Kern-Isberner LS 1 Information Engineering TU Dortmund Sommersemester 2015 G. Kern-Isberner (TU Dortmund) Commonsense Reasoning 1 / 232 Kapitel 4 4. Probabilistische Folgerungsmodelle

Mehr

Data Mining - Wiederholung

Data Mining - Wiederholung Data Mining - Wiederholung Norbert Fuhr 18. Januar 2006 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)

Mehr

mathematik und informatik

mathematik und informatik Prof. Dr. Christoph Beierle, Prof. Dr. Gabriele Kern-Isberner Kurs 01845 Methoden der Wissensrepräsentation und -verarbeitung LESEPROBE mathematik und informatik Das Werk ist urheberrechtlich geschützt.

Mehr

Übersicht. 9. Schließen in der Prädikatenlogik 1. Stufe

Übersicht. 9. Schließen in der Prädikatenlogik 1. Stufe Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern 6. Logisch schließende Agenten 7. Prädikatenlogik 1. Stufe 8. Entwicklung einer Wissensbasis 9. Schließen in der Prädikatenlogik

Mehr

Intelligente Systeme

Intelligente Systeme Intelligente Systeme Regeln, Inferenz, Logiken Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke

Mehr

Nichtklassische Logiken

Nichtklassische Logiken Nichtklassische Logiken Peter H. Schmitt pschmitt@ira.uka.de UNIVERSITÄT KARLSRUHE Sommersemester 2004 P. H. Schmitt: Nichtklassische Logiken p.1 Inhalt Wiederholung P. H. Schmitt: Nichtklassische Logiken

Mehr

Modellierung. Prof.Dr. Hans Kleine Büning, Prof.Dr. Johannes Blömer. Paderborn, 6. Februar Universität Paderborn Institut für Informatik

Modellierung. Prof.Dr. Hans Kleine Büning, Prof.Dr. Johannes Blömer. Paderborn, 6. Februar Universität Paderborn Institut für Informatik Modellierung Prof.Dr. Hans Kleine Büning, Prof.Dr. Johannes Blömer Universität Paderborn Institut für Informatik Paderborn, 6. Februar 2015 J. Blömer 1/19 Vorbereitung auf die Klausur 1 Vorlesungsinhalte

Mehr

Inhaltsverzeichnis. Kurzfassung. Abstract

Inhaltsverzeichnis. Kurzfassung. Abstract Inhaltsverzeichnis Kurzfassung Abstract Inhaltsverzeichnis iii v vii 1 Einleitung 1 1.1 Problemstellung und Einordnung der Arbeit 1 1.2 Lösungsansatz 7 L3 Verwandte Arbeiten S 1.3.1 Datenbank-Suchmaschmen

Mehr

Grundkurs Theoretische Informatik

Grundkurs Theoretische Informatik Gottfried Vossen I Kurt-Ulrich Witt Grundkurs Theoretische Informatik Eine anwendungsbezogene Einführung - Für Studierende in allen Informatik-Studiengängen 5., durchgesehene Auflage Mit 147 Abbildungen

Mehr

5.1 Inferenz. Theorie der Informatik. Theorie der Informatik. 5.1 Inferenz. 5.2 Resolutionskalkül. 5.3 Zusammenfassung. Inferenz: Motivation

5.1 Inferenz. Theorie der Informatik. Theorie der Informatik. 5.1 Inferenz. 5.2 Resolutionskalkül. 5.3 Zusammenfassung. Inferenz: Motivation Theorie der Informatik 9. März 2015 5. Aussagenlogik III Theorie der Informatik 5. Aussagenlogik III 5.1 Inferenz Malte Helmert Gabriele Röger 5.2 Resolutionskalkül Universität Basel 9. März 2015 5.3 Zusammenfassung

Mehr

Grundlagen der Künstlichen Intelligenz

Grundlagen der Künstlichen Intelligenz KI Wintersemester 2013/2014 Grundlagen der Künstlichen Intelligenz Marc Toussaint Machine Learning & Robotics Lab Universität Stuttgart marc.toussaint@informatik.uni-stuttgart.de http://ipvs.informatik.uni-stuttgart.de/mlr/marc/

Mehr

Logik Vorlesung 3: Äquivalenz und Normalformen

Logik Vorlesung 3: Äquivalenz und Normalformen Logik Vorlesung 3: Äquivalenz und Normalformen Andreas Maletti 7. November 2014 Überblick Inhalt 1 Motivation und mathematische Grundlagen 2 Aussagenlogik Syntax und Semantik Äquivalenz und Normalformen

Mehr

Andreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg

Andreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale

Mehr

Was ist Logik? Was ist Logik? Aussagenlogik. Wahrheitstabellen. Geschichte der Logik eng verknüpft mit Philosophie

Was ist Logik? Was ist Logik? Aussagenlogik. Wahrheitstabellen. Geschichte der Logik eng verknüpft mit Philosophie Was ist Logik? Geschichte der Logik eng verknüpft mit Philosophie Begriff Logik wird im Alltag vielseitig verwendet Logik untersucht, wie man aus Aussagen andere Aussagen ableiten kann Beschränkung auf

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

Seminar Künstliche Intelligenz Wintersemester 2013/14

Seminar Künstliche Intelligenz Wintersemester 2013/14 Seminar Künstliche Intelligenz Wintersemester 2013/14 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 31.10.2013 2 / 13 Überblick Teilgebiete der KI Problemlösen,

Mehr

Übersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit)

Übersicht. Prädikatenlogik höherer Stufe. Syntax der Prädikatenlogik 1. Stufe (mit Gleichheit) Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlussfolgern 7. Logische Agenten 8. Prädikatenlogik 1. Stufe 9. Schließen in der Prädikatenlogik 1. Stufe 10. Wissensrepräsentation IV

Mehr

xii Inhaltsverzeichnis Generalisierung Typisierte Merkmalsstrukturen Literaturhinweis

xii Inhaltsverzeichnis Generalisierung Typisierte Merkmalsstrukturen Literaturhinweis Inhaltsverzeichnis 1 Computerlinguistik Was ist das? 1 1.1 Aspekte der Computerlinguistik.................. 1 1.1.1 Computerlinguistik: Die Wissenschaft........... 2 1.1.2 Computerlinguistik und ihre Nachbardisziplinen.....

Mehr

Übersicht. 7. Prädikatenlogik 1. Stufe

Übersicht. 7. Prädikatenlogik 1. Stufe Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern 6. Logisch schließende Agenten 7. Prädikatenlogik 1. Stufe 8. Entwicklung einer Wissensbasis 9. Schließen in der Prädikatenlogik

Mehr

Seminararbeit im Fachbereich

Seminararbeit im Fachbereich Seminararbeit im Fachbereich Wissensrepräsentation Truth Maintenance Systeme Autor: Elke Klippstein 1/46 1. Grundlagen 2. Truth Maintenance System (TMS) 3. Arten (a) Justification-based TMS (JTMS) (b)

Mehr

Collegium Logicum - Logische Grundlagen der Philosophie und der Wissenschaften Link

Collegium Logicum - Logische Grundlagen der Philosophie und der Wissenschaften Link Collegium Logicum - Logische Grundlagen der Philosophie und der Wissenschaften Band 1 von Godehard Link 1. Auflage Collegium Logicum - Logische Grundlagen der Philosophie und der Wissenschaften Link schnell

Mehr

Godehard Link COLLEGIUM LOGICUM. Logische Grundlagen der Philosophie und der Wissenschaften. Band 1. mentis PADERBORN

Godehard Link COLLEGIUM LOGICUM. Logische Grundlagen der Philosophie und der Wissenschaften. Band 1. mentis PADERBORN Godehard Link COLLEGIUM LOGICUM Logische Grundlagen der Philosophie und der Wissenschaften Band 1 mentis PADERBORN Inhaltsverzeichnis Vorwort xiii Einleitung 1 0.1 Historisches zum Verhältnis von Logik

Mehr

4 Spezielle Schlußverfahren

4 Spezielle Schlußverfahren Universität Bielefeld Unsicherheit, Unvollständigkeit 4. Wie lassen sich auch bei unsicherem unvollständigem Wissen Schlüsse ziehen? 4 Spezielle Schlußverfahren 11. Vorlesung: Probabilistisches Schließen;

Mehr

Institut für Eisenbahnwesen und Verkehrssicherung. 1# W TU Braunschweig MANFRED MATZKE. Ein Bewertungssystem für Betriebskonzepte bei Industriebahnen

Institut für Eisenbahnwesen und Verkehrssicherung. 1# W TU Braunschweig MANFRED MATZKE. Ein Bewertungssystem für Betriebskonzepte bei Industriebahnen Institut für Eisenbahnwesen und Verkehrssicherung 1# W TU Braunschweig MANFRED MATZKE Ein Bewertungssystem für Betriebskonzepte bei Industriebahnen Inhaltsverzeichnis Verwendete Abkürzungen Glossar vi

Mehr

Schlussregeln aus anderen Kalkülen

Schlussregeln aus anderen Kalkülen Was bisher geschah Klassische Aussagenlogik: Syntax Semantik semantische Äquivalenz und Folgern syntaktisches Ableiten (Resolution) Modellierung in Aussagenlogik: Wissensrepräsentation, Schaltungslogik,

Mehr

Kurseinheit 1 Einführung und mathematische Grundlagen Aussagenlogik

Kurseinheit 1 Einführung und mathematische Grundlagen Aussagenlogik Kurseinheit 1 Einführung und mathematische Grundlagen Aussagenlogik Fragen Seite Punkte 1. Was ist die Mathematische Logik? 3 2 2. Was sind die Aussagenlogik und die Prädikatenlogik? 5 4 3. Was sind Formeln,

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

Zusammenfassung KI (von Marco Piroth)

Zusammenfassung KI (von Marco Piroth) Zusammenfassung KI (von Marco Piroth) Definition: KI ist das Teilgebiet der Informatik, das sich damit beschäftigt, menschliche, intelligente Verhaltensweisen auf einer Maschine nachzuvollziehen. Softwaretechnische

Mehr

Logik Vorlesung 8: Modelle und Äquivalenz

Logik Vorlesung 8: Modelle und Äquivalenz Logik Vorlesung 8: Modelle und Äquivalenz Andreas Maletti 12. Dezember 2014 Überblick Inhalt 1 Motivation und mathematische Grundlagen 2 Aussagenlogik Syntax und Semantik Äquivalenz und Normalformen Weitere

Mehr

Data Mining auf Datenströmen Andreas M. Weiner

Data Mining auf Datenströmen Andreas M. Weiner Technische Universität Kaiserslautern Fachbereich Informatik Lehrgebiet Datenverwaltungssysteme Integriertes Seminar Datenbanken und Informationssysteme Sommersemester 2005 Thema: Data Streams Andreas

Mehr

Informatik A. Prof. Dr. Norbert Fuhr auf Basis des Skripts von Prof. Dr. Wolfram Luther und der Folien von Peter Fankhauser

Informatik A. Prof. Dr. Norbert Fuhr auf Basis des Skripts von Prof. Dr. Wolfram Luther und der Folien von Peter Fankhauser Informatik A Prof. Dr. Norbert Fuhr fuhr@uni-duisburg.de auf Basis des Skripts von Prof. Dr. Wolfram Luther und der Folien von Peter Fankhauser 1 Teil I Logik 2 Geschichte R. Descartes (17. Jhdt): klassische

Mehr

Grundlagen der Logik

Grundlagen der Logik Grundlagen der Logik Denken Menschen logisch? Selektionsaufgabe nach Watson (1966): Gegeben sind vier Karten von denen jede auf der einen Seite mit einem Buchstaben, auf der anderen Seite mit einer Zahl

Mehr

TU7 Aussagenlogik II und Prädikatenlogik

TU7 Aussagenlogik II und Prädikatenlogik TU7 Aussagenlogik II und Prädikatenlogik Daniela Andrade daniela.andrade@tum.de 5.12.2016 1 / 32 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds

Mehr

Intelligente Systeme

Intelligente Systeme Intelligente Systeme Regelbasierte Systeme Prof. Dr. R. Kruse C. Braune {rudolf.kruse,christian.braune}@ovgu.de Institut für Intelligente Kooperierende Systeme Fakultät für Informatik Otto-von-Guericke-Universität

Mehr

Bayesianische Netzwerke - Lernen und Inferenz

Bayesianische Netzwerke - Lernen und Inferenz Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel

Mehr

4 Spezielle Schlussverfahren

4 Spezielle Schlussverfahren 4 Spezielle Schlussverfahren 11. Vorlesung: Probabilistisches Schließen; Nichtmonotones Schließen Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2011/2012 Unsicherheit, Unvollständigkeit 4. Wie

Mehr

Commonsense Reasoning

Commonsense Reasoning Commonsense Reasoning Gabriele Kern-Isberner LS 1 Information Engineering TU Dortmund Sommersemester 2014 G. Kern-Isberner (TU Dortmund) Commonsense Reasoning 1 / 45 Übersicht Übungen und Folien zu Commonsense

Mehr

Grundbegriffe für dreiwertige Logik

Grundbegriffe für dreiwertige Logik Grundbegriffe für dreiwertige Logik Hans Kleine Büning Universität Paderborn 1.11.2011 1 Syntax und Semantik Die klassische Aussagenlogik mit den Wahrheitswerten falsch und wahr bezeichnen wir im weiteren

Mehr

Logik Vorlesung 10: Herbrand-Theorie

Logik Vorlesung 10: Herbrand-Theorie Logik Vorlesung 10: Herbrand-Theorie Andreas Maletti 9. Januar 2015 Überblick Inhalt 1 Motivation und mathematische Grundlagen 2 Aussagenlogik Syntax und Semantik Äquivalenz und Normalformen Weitere Eigenschaften

Mehr

Methoden der KI in der Biomedizin Bayes Netze

Methoden der KI in der Biomedizin Bayes Netze Methoden der KI in der Biomedizin Bayes Netze Karl D. Fritscher Bayes Netze Intuitiv: Graphische Repräsentation von Einfluss Mathematisch: Graphische Repräsentation von bedingter Unabhängigkeit Bayes Netze

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

Einführung in die Methoden der Künstlichen Intelligenz

Einführung in die Methoden der Künstlichen Intelligenz Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation

Mehr

Logik für Informatiker

Logik für Informatiker Vorlesung Logik für Informatiker 1. Einführung Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Formale Logik Ziel Formalisierung und Automatisierung rationalen

Mehr

Konzepte der AI. Unsicheres Schließen

Konzepte der AI. Unsicheres Schließen Konzepte der AI Unsicheres Schließen http://www.dbai.tuwien.ac.at/education/aikonzepte/ Wolfgang Slany Institut für Informationssysteme, Technische Universität Wien mailto: wsi@dbai.tuwien.ac.at, http://www.dbai.tuwien.ac.at/staff/slany/

Mehr

Darstellung, Verarbeitung und Erwerb von Wissen

Darstellung, Verarbeitung und Erwerb von Wissen Darstellung, Verarbeitung und Erwerb von Wissen Gabriele Kern-Isberner LS 1 Information Engineering TU Dortmund Wintersemester 2015/16 WS 2015/16 G. Kern-Isberner (TU Dortmund) DVEW WS 2015/16 1 / 169

Mehr

Ereignisdiskrete Systeme

Ereignisdiskrete Systeme 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Ereignisdiskrete Systeme Modellierung und Analyse dynamischer Systeme

Mehr

Darstellung, Verarbeitung und Erwerb von Wissen

Darstellung, Verarbeitung und Erwerb von Wissen Darstellung, Verarbeitung und Erwerb von Wissen Gabriele Kern-Isberner LS 6 Information Engineering TU Dortmund Wintersemester 2008/09 G. Kern-Isberner (TU Dortmund) DVEW 1 / 38 Kapitel 1 Einführung und

Mehr

Logik für Informatiker

Logik für Informatiker Logik für Informatiker Viorica Sofronie-Stokkermans e-mail: sofronie@uni-koblenz.de 1 Logik in der Informatik Was ist Logik? 2 Logik in der Informatik Was ist Logik? Mathematisch? 3 Logik in der Informatik

Mehr

Die Prädikatenlogik erster Stufe: Syntax und Semantik

Die Prädikatenlogik erster Stufe: Syntax und Semantik Die Prädikatenlogik erster Stufe: Syntax und Semantik 1 Mathematische Strukturen und deren Typen Definition 1.1 Eine Struktur A ist ein 4-Tupel A = (A; (R A i i I); (f A j j J); (c A k k K)) wobei I, J,

Mehr

Aussagenlogische Widerlegungsverfahren zum Nachweis logischer Eigenschaften und Beziehungen

Aussagenlogische Widerlegungsverfahren zum Nachweis logischer Eigenschaften und Beziehungen Einführung in die Logik - 4 Aussagenlogische Widerlegungsverfahren zum Nachweis logischer Eigenschaften und Beziehungen Widerlegungsverfahren zum Aufwärmen: Bestimmung von Tautologien mittels Quick Falsification

Mehr

Semester-Fahrplan 1 / 17

Semester-Fahrplan 1 / 17 Semester-Fahrplan 1 / 17 Hydroinformatik I Einführung in die Hydrologische Modellierung Bayes sches Netz Olaf Kolditz *Helmholtz Centre for Environmental Research UFZ 1 Technische Universität Dresden TUDD

Mehr

Grundlagen der Kognitiven Informatik

Grundlagen der Kognitiven Informatik Grundlagen der Kognitiven Informatik Wissensrepräsentation und Logik Ute Schmid Kognitive Systeme, Angewandte Informatik, Universität Bamberg letzte Änderung: 14. Dezember 2010 U. Schmid (CogSys) KogInf-Logik

Mehr

1.1 Motivation. Theorie der Informatik. Theorie der Informatik. 1.1 Motivation. 1.2 Syntax. 1.3 Semantik. 1.4 Formeleigenschaften. 1.

1.1 Motivation. Theorie der Informatik. Theorie der Informatik. 1.1 Motivation. 1.2 Syntax. 1.3 Semantik. 1.4 Formeleigenschaften. 1. Theorie der Informatik 19. Februar 2014 1. Aussagenlogik I Theorie der Informatik 1. Aussagenlogik I Malte Helmert Gabriele Röger Universität Basel 19. Februar 2014 1.1 Motivation 1.2 Syntax 1.3 Semantik

Mehr

Einführung Grundbegriffe

Einführung Grundbegriffe Einführung Grundbegriffe 1.1 Der Modellbegriff Broy: Informatik 1, Springer 1998 (2) Die Modellbildung der Informatik zielt auf die Darstellung der unter dem Gesichtspunkt einer gegebenen Aufgabenstellung

Mehr

Vorwort zur deutschen Ausgabe

Vorwort zur deutschen Ausgabe Vorwort zur deutschen Ausgabe x 0 Mathematisches Prolegomenon 1 0.1 Mengentheoretische Notation 1 0.2 Beweis durch Induktion 3 0.3 Äquivalenzrelationen und Äquivalenzklassen 5 1 Die klassische Logik und

Mehr

I B. G. TEUBNER STUTTGART

I B. G. TEUBNER STUTTGART M A T H E M A T I S C H E L E I T F Ä D E N Herausgegeben von Professor Dr. phil. Dr. h.c. G. Köthe, Universität Frankfurt/M. Einführung in die mathematische Logik Klassische Prädikatenlogik Von Dr. rer.

Mehr

Aussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/25

Aussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/25 Aussagenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Modellierung und Beweise Aussagenlogik H. Kleine Büning 1/25 Einführendes Beispiel Falls Lisa Peter trifft, dann trifft Lisa auch Gregor.

Mehr

Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen. notwendig: Existenz- und Allaussagen

Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen. notwendig: Existenz- und Allaussagen Prädikatenlogik 1. Stufe (kurz: PL1) Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen notwendig: Existenz- und Allaussagen Beispiel: 54 Syntax der Prädikatenlogik erster Stufe (in der

Mehr

Inhaltsverzeichnis 1 Einleitung 2 Ansätze in Forschung und Praxis

Inhaltsverzeichnis 1 Einleitung 2 Ansätze in Forschung und Praxis ix 1 Einleitung 1 1.1 Motivation 1 1.1.1 Das Projekt»Steuerkanzlei 2005«2 1.1.2 Generalisierung des Anwendungsfalls 3 1.1.3 Situation der Business Intelligence 4 1.1.4 Probleme in der praktischen Anwendung

Mehr

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII

Vorwort zur zweiten Auflage...V. Vorwort zur ersten Auflage... VIII Vorwort zur zweiten Auflage...V Vorwort zur ersten Auflage... VIII 1 Management Support Systeme und Business Intelligence Anwendungssysteme zur Unterstützung von Managementaufgaben...1 1.1 Computergestützte

Mehr

Formale Grundlagen der Informatik 1 Kapitel 16 Normalformen und Hornformeln

Formale Grundlagen der Informatik 1 Kapitel 16 Normalformen und Hornformeln Formale Grundlagen der Informatik 1 Kapitel 16 Normalformen und Frank Heitmann heitmann@informatik.uni-hamburg.de 9. Juni 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/36 Ersetzbarkeitstheorem

Mehr

Grundlagen der Künstlichen Intelligenz

Grundlagen der Künstlichen Intelligenz Grundlagen der Künstlichen Intelligenz 28. Aussagenlogik: DPLL-Algorithmus Malte Helmert Universität Basel 2. Mai 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26. Grundlagen 27. Logisches

Mehr

Prädikatenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Normalformen und Grenzen der Prädikatenlogik 1. Stufe

Prädikatenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Normalformen und Grenzen der Prädikatenlogik 1. Stufe Prädikatenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Normalformen und Grenzen der Prädikatenlogik 1. Stufe 3 Teil 3: Modellierung und Beweise 4 Teil 4: Substitution, Unifikation und Resolution

Mehr

Bayessche Netze. Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind

Bayessche Netze. Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind Bayessche Netze Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind Einleitung Sicheres vs. Unsicheres Wissen Kausale Netzwerke Abhängigkeit Verbindungsarten Exkurs:

Mehr

Psychologische Tests und mehrwertige Logik

Psychologische Tests und mehrwertige Logik Psychologische Tests und mehrwertige Logik Matthias Buntins Psychologische Tests und mehrwertige Logik Ein alternativer Ansatz zur Quantifizierung psychologischer Konstrukte Matt hi as Bunt ins B amb erg,

Mehr

Suche in Spielbäumen Projektvorschläge

Suche in Spielbäumen Projektvorschläge Suche in Spielbäumen Projektvorschläge Nullsummenspiele sind Spiele mit zwei Spielern, bei denen der Vorteil des einen Spielers dem Nachteil des anderen Spieler entspricht. Im einfachsten Fall binär (Sieg

Mehr

Logik für Informatiker

Logik für Informatiker Logik für Informatiker 3. Prädikatenlogik Teil 1 9.06.2015 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Rückblick: Vor- und Nachteile von Aussagenlogik + Aussagenlogik

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

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

Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Wissensrepräsentation und -verarbeitung in klassischer Aussagenlogik: Entscheidungstabellen,

Mehr

Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme

Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume von Lars-Peter Meyer im Seminar Methoden wissensbasierter Systeme bei Prof. Brewka im WS 2007/08 Übersicht Überblick maschinelles Lernen

Mehr

Jessica Naundorf. Kritische Analyse von. Employer Awards im Kontext. des Employer Branding

Jessica Naundorf. Kritische Analyse von. Employer Awards im Kontext. des Employer Branding Jessica Naundorf Kritische Analyse von Employer Awards im Kontext des Employer Branding Rainer Hampp Verlag München, Mering 2016 -I- Inhaltsverzeichnis Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis

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

Grundkurs Künstliche Intelligenz

Grundkurs Künstliche Intelligenz Grundkurs Künstliche Intelligenz Wolfgang Ertel Grundkurs Künstliche Intelligenz Eine praxisorientierte Einführung Wolfgang Ertel Hochschule Ravensburg-Weingarten Weingarten, Deutschland ISBN 978-3-8348-1677-1

Mehr

Kapitel WT:VIII (Fortsetzung)

Kapitel WT:VIII (Fortsetzung) Kapitel WT:VIII (Fortsetzung) VIII. Semantic Web WWW heute Semantic Web Vision RDF: Einführung RDF: Konzepte RDF: XML-Serialisierung RDF: Anwendungen RDFS: Einführung RDFS: Konzepte Semantik im Web Semantik

Mehr

Numerische Methoden. Thomas Huckle Stefan Schneider. Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker.

Numerische Methoden. Thomas Huckle Stefan Schneider. Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker. Thomas Huckle Stefan Schneider Numerische Methoden Eine Einführung für Informatiker, Naturwissenschaftler, Ingenieure und Mathematiker 2. Auflage Mit 103 Abbildungen und 9 Tabellen 4Q Springer Inhaltsverzeichnis

Mehr

Diskrete Strukturen Kapitel 1: Einleitung

Diskrete Strukturen Kapitel 1: Einleitung WS 2015/16 Diskrete Strukturen Kapitel 1: Einleitung Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15

Mehr

Logische Programmierung

Logische Programmierung 1. Vorbemerkungen 1-1 Logische Programmierung Stefan Brass Institut für Informatik Fachgebiet Datenbanken und Informationssysteme Prof. Dr. Udo W. Lipeck 1. Vorbemerkungen 1-2 Organisatorisches Sprechstunde:

Mehr

Reasoning and decision-making under uncertainty

Reasoning and decision-making under uncertainty Reasoning and decision-making under uncertainty 9. Vorlesung Actions, interventions and complex decisions Sebastian Ptock AG Sociable Agents Rückblick: Decision-Making A decision leads to states with values,

Mehr

Wissensbasierte Systeme 7. Prädikatenlogik

Wissensbasierte Systeme 7. Prädikatenlogik Wissensbasierte Systeme 7. Prädikatenlogik Syntax und Semantik, Normalformen, Herbrandexpansion Michael Beetz Plan-based Robot Control 1 Inhalt 7.1 Motivation 7.2 Syntax und Semantik 7.3 Normalformen 7.4

Mehr

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke

Vorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,

Mehr

Multivariate Lieferantenbewertung

Multivariate Lieferantenbewertung Christian G. Janker Multivariate Lieferantenbewertung Empirisch gestützte Konzeption eines anforderungsgerechten Bewertungssystems Mit einem Geleitwort von Prof. Dr. Rainer Lasch Deutscher Universitäts-Verlag

Mehr

Markus Krötzsch DIAMOND. Data Integration and Access. by Merging. Ontologies and Databases. 13. Juni 2013

Markus Krötzsch DIAMOND. Data Integration and Access. by Merging. Ontologies and Databases. 13. Juni 2013 Data Integration and Access by Merging Ontologies and Databases 13. Juni 2013 Zielstellung Verbesserter Zugriff auf große, heterogene und dynamische Datenmengen Seite 2 Seite 3 Seite 4 Wikidata Offizielle

Mehr

Ereignisdiskrete Systeme

Ereignisdiskrete Systeme Ereignisdiskrete Systeme Modellierung und Analyse dynamischer Systeme mit Automaten, Markovketten und Petrinetzen von Jan Lunze Mit 340 Abbildungen, 80 Anwendungsbeispielen und 110 Übungsaufgaben Oldenbourg

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

Einführung in die Artificial Intelligence

Einführung in die Artificial Intelligence Einführung in die Artificial Intelligence Institut für Computertechnik ICT Institute of Computer Technology Roland Lang mailto:langr@ict.tuwien.ac.at Definition: Was ist AI? ISO 4177: Artificial Intelligence

Mehr