System und Modell. System und Modell. System und Modell. System und Modell. Beispiel 2: Fail-Save-Überprüfung einer Presse
|
|
- Alexa Hummel
- vor 7 Jahren
- Abrufe
Transkript
1 und und Beispiel 1: Der unbequeme Philosoph Beispiel 2: Fail-Save-Überprüfung einer Presse? : ẋ d = p a A K p b A R F = Komponentenmodelle, physikalische Gleichungen : x y : mensch(x) trinkt(x, y) gift(y) tot(x) gift(schierling) mensch(sokrates) x : Eq(x, x) x y : Eq(x, y) Eq(y, x) x y z : Eq(x, y) Eq(y, z) Eq(x, z) x y f : Eq(x, y) Eq( f(t 1,,t i,x,t i1,,t n ), f(t 1,,t i,y,t i1,,t n )) Axiome, Umformungsregeln VI-1, Model, and Deduction c STEIN 2003/04 VI-2, Model, and Deduction c STEIN 2003/04 und und Definition 4 () Ein ist ein Ausschnitt aus der realen Welt. Jedes besitzt eine ()Grenze, aufgrund dessen für jedes Objekt der Welt festgestellt werden kann, ob es zu dem gehört oder nicht. verhalten Ein problem zu lösen, bedeutet, n bzgl. eines s zu beantworten. Beispiele: Was ist kaputt an dem Motor? Wie verhält sich die Anlage im Grenzbereich? Wann ist die Betriebstemperatur erreicht? Um eine zu erhalten, kann man ein an dem machen und die se des es interpretieren. Definition 5 () An experiment is the process of extracting data from a system by exerting it through its inputs. [Cellier 1995] Ausführung eines s am? dagegen spricht: existiert nicht veränderungen zu schnell oder langsam am zu teuer durch das entstehen große Gefahren zu klein oder zu groß verändert das zu stark Voraussage ist erwünscht Ausweg: wird nicht am, sondern an einem des s durchgeführt. VI-3, Model, and Deduction c STEIN 2003/04 VI-4, Model, and Deduction c STEIN 2003/04
2 ieren zum Schlußfolgern ieren zum Schlußfolgern Definition 6 (Model, ) Beispiel 1: Der unbequeme Philosoph To an observer B, an object A is a model of an object A to the extent that B can use A to answer questions that interest him about A. [Minsky 1965] x y: mensch(sokrates) verhalten tot(sokrates) verhalten verhalten (= Realität) verhalten Definition 7 () A simulation is an experiment performed on a model. [Korn/Wait 1978] VI-5, Model, and Deduction c STEIN 2003/04 VI-6, Model, and Deduction c STEIN 2003/04 ieren zum Schlußfolgern ieren zum Schlußfolgern Beispiel 2: Fail-Save-Überprüfung einer Presse v d = pa Ak - pb x: Eq(x,x) v=0 Nahezu alle Situationen, in denen wir einen Sachverhalt analysieren, basieren auf dem Konzept der logischen Folgerung. Beispiele: Ist Schierling für den Philosophen Sokrates giftig? Wie verhält sich ein technisches? Sind 10 EUR mehr wert als 19,50 DM? Man bildet zunächst ein des Gegenstandsbereiches (Domäne) und prüft dann vor dem Hintergrund des s für interessierende Fakten deren Wahrheitswert (= Schlußfolgern).? : Wie sieht das für die Problemklasse der Synthese aus? (= Realität) v = 0 (Presse steht) verhalten verhalten Bemerkung: Numerische ist auch Schlußfolgern. VI-7, Model, and Deduction c STEIN 2003/04 VI-8, Model, and Deduction c STEIN 2003/04
3 Formale Verfahren zum ieren und Schlußfolgern Formale Verfahren zum ieren und Schlußfolgern In den Beispielen gibt es einen grundlegenden Schlußfolgerungsmechanismus. Dieser Schlußfolgerungsmechanismus ist unabhängig von Rahmenbedingungen, von der Art der Objekte, ihren Eigenschaften, dem Verhalten und ihren Abhängigkeiten, vom Beobachter oder Anwender des Mechanismus. Ansatz. Die Beschreibung des Wissens über ein (Realität) geschieht formal, durch festgelegte Symbole. abstrakt, losgelöst von einer konkreten Situation. exakt, ohne unzulässigen Verallgemeinerungen. vollständig, kein zusätzliches Wissen erforderlich. Es regnet gerade. R Wenn es regnet, ist die Straße naß. R SN Bemerkung: Einhaltung der genannten Eigenschaften in vernünftigen Grenzen. VI-9, Model, and Deduction c STEIN 2003/04 VI-10, Model, and Deduction c STEIN 2003/04 Klassifikation von en hinsichtlich ihrer Repräsentation: Model Ablauf der Top-Down-: Abstrakte e werden auf weniger abstrakte e abgebildet. Mental model Physical model Symbolic model Question Scale model Graphical model Iconic model Analogical model Mathematical model Verbal model High abstraction Mental model Structure model of the concrete model in terms of the abstract model. Unter (ierung) versteht man den Prozeß, von einem ein zu erstellen. Hierzu gehören folgende Schritte: 1. Identifizierung der grenzen Black-Box- 2. Identifizierung der Untersysteme und ihrer Beziehungen zueinander Strukturmodell 3. Charakterisierung von Relationen zwischen Variablen der Untersysteme Verhaltensmodell Low abstraction Behavior model Algorithmic model Computer model VI-11, Model, and Deduction c STEIN 2003/04 VI-12, Model, and Deduction c STEIN 2003/04
4 raum und raum raum und raum Ein Syntheseproblem zu lösen, bedeutet, n bzgl. einer Menge von en zu beantworten. Beispiele: Aus welchen Komponenten besteht eine Konfiguration, die alle Anforderungen erfüllt? Was ist der kürzeste Bauplan? Läßt sich die Anlage so verändern, daß sie nicht heiß wird? Ausweg: Synthese von en für die interessierenden e (raum) und Suche nach einem geeigneten. Suche Um eine zu erhalten, kann man die e bauen und mittels en ihre Eigenschaften analysieren. raum raumbildung raum, Entwurf raum, Entwurf Gegen diese Vorgehensweise spricht vieles. VI-13, Model, and Deduction c STEIN 2003/04 VI-14, Model, and Deduction c STEIN 2003/04 raum und raum Adäquate ierung Klassifikation von räumen hinsichtlich ihrer Repräsentation: Model space Mental model space Physical model space Miniature lab Construction kit Symbolic model space CAE-system Virtual prototyping system Welches ist geeignet für das interessierende und die frage? Wie generiert man den raum für den interessierenden raum und die Synthesefrage? Wie spielen, raum und Problemlösungsmethoden zusammen? Notwendige Schritte zur Erzeugung eines raums: Problemlösungsmethoden für aufgaben Problemlösungsmethoden für Syntheseaufgaben 1. Identifizierung von bausteinen Subsysteme statistische Struktur- Generate und Test 2. Identifizierung von Konstruktionsprinzipien raum 3. Abbildung der bausteine und Konstruktionsprinzipien auf bausteine und Operatoren raum (Suchraum) fallbasierte assoziative funktionsbas. verhaltensbas. Logik- modell Fehler- Verhaltens- Regel- Fuzzy- Vorschlagen & Verbessern fallbasierte Assoziative Ursache/ Wirkungs- Skelett- VI-15, Model, and Deduction c STEIN 2003/04 VI-16, Model, and Deduction c STEIN 2003/04
5 Adäquate ierung Wieviel ist bekannt über das? Black box Gray box White box Assoziative e: statistische Verfahren, neuronale Netze, identifikation Input Output Black box Verhaltensbasierte e: Zustandsraummodelle, Gleichungsmodelle, sonstige Constraints Input Output White box VI-17, Model, and Deduction c STEIN 2003/04 VI-18, Model, and Deduction c STEIN 2003/04 VI-19, Model, and Deduction c STEIN 2003/04 VI-20, Model, and Deduction c STEIN 2003/04
Kapitel MK:III. III. Begriffe der Modellierung
Kapitel MK:III III. Begriffe der Modellierung System und Modell Modellieren zum Schlussfolgern Modellbildung Systemraum und Modellraum Adäquate Modellierung MK:III-1 Modeling Concepts STEIN 2000-2015 Beispiel
MehrKapitel MK:III. III. Begriffe der Modellierung
Kapitel MK:III III. Begriffe der Modellierung System und Modell Modellieren zum Schlussfolgern Modellbildung Systemraum und Modellraum Adäquate Modellierung MK:III-19 Modeling Concepts STEIN 2000-2015
MehrLiteratur. Wissenbasierte Systeme WS 03. Expertensysteme, Logik und Regelverarbeitung. Benno Stein
Literatur Wissenbasierte Systeme WS 03 Expertensysteme, Logik und Regelverarbeitung Benno Stein 1. Künstliche Intelligenz (Begriff, Geschichte, Gebiete) 2. Wissensformen (sub/symbolisch, Problemlösung),
MehrKapitel MK:V. V. Diagnoseansätze
Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis
MehrLogic in a Nutshell. Christian Liguda
Logic in a Nutshell Christian Liguda Quelle: Kastens, Uwe und Büning, Hans K., Modellierung: Grundlagen und formale Methoden, 2009, Carl Hanser Verlag Übersicht Logik - Allgemein Aussagenlogik Modellierung
MehrDiagnose. Statistische Diagnose. Statistische Diagnose. Statistische Diagnose. Einordnung: Diagnose Problemklasse Analyse
Statistische Einordnung: Problemklasse Analyse Kernfrage bzgl. der Modellierung: Wieviel ist bekannt über das zu diagnostizierende System? Begriffe der : System. Ausschnitt aus der realen Welt. Hier: System
MehrComputational Neuroscience
Computational Neuroscience Vorlesung WS 2005/2006 Josef Ammermüller Jutta Kretzberg http://www.uni-oldenburg.de/sinnesphysiologie/ 14508.html Begriffsdefinitionen Computational Neuroscience Churchland
MehrKapitel MK:II. II. Wissensrepräsentation
Kapitel MK:II II. Wissensrepräsentation Wissensrepräsentation in der Klassifikation Symbolisch versus subsymbolisch Problemlösungswissen Kennzeichen von Problemlösungswissen Prinzipien wissensbasierter
MehrKapitel 2 - Die Definitionsphase
Kapitel 2 - Die Definitionsphase SWT I Sommersemester 2010 Walter F. Tichy, Andreas Höfer, Korbinian Molitorisz IPD Tichy, Fakultät für Informatik KIT die Kooperation von Forschungszentrum Karlsruhe GmbH
MehrEinführung in die Modellierung
Informatik II: Modellierung Prof. Dr. Martin Glinz Kapitel 1 Einführung in die Modellierung Universität Zürich Institut für Informatik Inhalt 1.1 Der Modellbegriff 1.2 Wozu Modelle? 1.3 Modellbildung 1.4
MehrLogik I. Symbole, Terme, Formeln
Logik I Symbole, Terme, Formeln Wie jede geschriebene Sprache basiert die Prädikatenlogik erster Stufe auf einem Alphabet, welches aus den folgenden Symbolen besteht: (a) Variabeln wie zum Beispiel v 0,v
MehrKapitel ML:IV. IV. Statistische Lernverfahren. Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen
Kapitel ML:IV IV. Statistische Lernverfahren Wahrscheinlichkeitsrechnung Bayes-Klassifikation Maximum-a-Posteriori-Hypothesen ML:IV-1 Statistical Learning c STEIN 2005-2011 Definition 1 (Zufallsexperiment,
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert Universität Basel 20. Februar 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
Mehr1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.
Grundlagen der Künstlichen Intelligenz 20. Februar 2015 1. Einführung: Was ist Künstliche Intelligenz? Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert
MehrUniversität Karlsruhe (TH)
Universität Karlsruhe (TH) Forschungsuniversität gegründet 1825 Kapitel 2 Die Definitionsphase Prof. Walter F. Tichy Wo sind wir gerade? Planung Lastenheft (funktionales Modell) Definition (Analyse) Pflichtenheft
MehrGroße Simulink-Modelle mit Bus Objects effizienter gestalten
Große Simulink-Modelle mit Bus Objects effizienter gestalten Sebastian Bewersdorff Product Manager, TESIS DYNAware GmbH, München Matlab Expo 2015, 12.05.2015 TESIS DYNAware GmbH, www.tesis-dynaware.com
MehrGrundlagen 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
MehrKapitel DB:IV (Fortsetzung)
Kapitel DB:IV (Fortsetzung) IV. Logischer Datenbankentwurf mit dem relationalen Modell Das relationale Modell Integritätsbedingungen Umsetzung ER-Schema in relationales Schema DB:IV-46 Relational Design
MehrSoftware-Engineering
SWE2 Slide 1 Software-Engineering Sebastian Iwanowski FH Wedel Kapitel 2: Grundbegriffe und Prinzipien SWE2 Slide 2 Grundbegriffe der Software-Entwicklung: Systeme System Ausschnitt aus der realen oder
MehrEntscheidungsverfahren mit Anwendungen in der Softwareverifikation
Entscheidungsverfahren mit Anwendungen in der Softwareverifikation I: Einführung Dr. Stephan Falke Institut für Theoretische Informatik Dr. Carsten Sinz 15.04.2013 Ist mein Programm korrekt? Beispiel:
MehrSystemtheorie 1. Formale Systeme 1 # WS 2006/2007 Johannes Kepler Universität Linz, Österreich
Einführung 1 Systemtheorie 1 Formale Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof. Dr. Armin Biere Institut für Formale Modelle und Verifikation
MehrEinführung 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
MehrFormale Grundlagen 2008W. Vorlesung im 2008S Institut für Algebra Johannes Kepler Universität Linz
Formale Grundlagen Institut für Algebra Johannes Kepler Universität Linz Vorlesung im 2008S http://www.algebra.uni-linz.ac.at/students/win/fg Inhalt Definition Sei A eine Menge und ɛ A A A eine zweistellige
MehrSWP Logische Programme
SWP Logische Programme Alexander Felfernig, Stephan Gspandl Institut für Softwaretechnologie {alexander.felfernig,sgspandl}@ist.tugraz.at Institute for Software Technology Inhalt Motivation Logische Programme
MehrWissensbasierte 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)
MehrBen-Alexander Bohnke
Ben-Alexander Bohnke 03.04.2012 INTEGRALE LOGIK - die wichtigsten Themen und Theorien Ich habe ein vollständiges eigenes Logik-System die Integrale Logik entworfen, dadurch habe ich natürlich an sehr vielen
Mehrmathematik und informatik
Prof. Dr. Christoph Beierle, Prof. Dr. Gabriele Kern-Isberner Kurs 01845 Methoden der Wissensrepräsentation und -verarbeitung LESEPROBE mathematik und informatik Das Werk ist urheberrechtlich geschützt.
MehrSystemtheorie 1. Einführung Systemtheorie 1 Formale Systeme 1 # WS 2006/2007 Armin Biere JKU Linz Revision: 1.4
Einführung intro 1 Grobklassifizierung r Methoden in der Informatik intro 2 Systemtheorie 1 Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof.
MehrZusammenhänge präzisieren im Modell
Zusammenhänge präzisieren im Modell Dr. Roland Poellinger Munich Center for Mathematical Philosophy Begriffsfeld Logik Mathematik und Logik Die Mathematik basiert auf logisch gültigen Folgerungsschritten
MehrAusgabe: Eine DBMS unabhängige high-level Repräsentation der Anforderungen, das "konzeptuelle Schema".
Phasen des Datenbanken-Designs Konzeptuelles Design Eingabe: Anforderungen Ausgabe: Eine DBMS unabhängige high-level Repräsentation der Anforderungen, das "konzeptuelle Schema". Qualität: Richtigkeit und
MehrINSPIRE - Modellierung
INSPIRE - Modellierung Inhalt Motivation Modellierung UML Diagramme INSPIRE-Schulung LKROS 2 Motivation Was ist ein Modell, und warum wollen wir modellieren? Warum brauchen wir eine Modellierungssprache
MehrEinführung in die Linguistik, Teil 4
Einführung in die Linguistik, Teil 4 Menschliche Sprachverarbeitung im Rahmen der Kognitionswissenschaft Markus Bader, Frans Plank, Henning Reetz, Björn Wiemer Einführung in die Linguistik, Teil 4 p. 1/19
MehrEntwicklung des räumlichen Denkens nach Piaget (Jean Piaget, zit. nach Franke, Didaktik der Geometrie, S. 93ff.)
Entwicklung des räumlichen Denkens nach Piaget (Jean Piaget, zit. nach Franke, Didaktik der Geometrie, S. 93ff.) Stufentheorie Piagets gilt auch für geometrische Erfahrungen, grobe Einteilung: o 5/6 Jahre
MehrProblemlösen. Zahl Ebene und Raum Größen Daten und Vorhersagen. Fachsprache, Symbole und Arbeitsmittel anwenden
Curriculum Mathematik 3. Klasse Aus den Rahmenrichtlinien Die Schülerin, der Schüler kann Vorstellungen von natürlichen, ganzen rationalen Zahlen nutzen mit diesen schriftlich im Kopf rechnen geometrische
MehrKünstliche 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
MehrKnowledge-Based system. Inference Engine. Prof. Dr. T. Nouri.
12.01.2008 Knowledge-Based system Inference Engine Prof. Dr. T. Nouri Taoufik.Nouri@FHN.CH 2 / 30 Inhalt Grundlagen Wozu Inference? Aufbau Knowledge Based System Strategien für Folgerungen Suchstrategien
MehrTeil 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
MehrGerade, ungerade oder weder noch? Algebraische und graphische Beweise. 4-E1 Vorkurs, Mathematik
Gerade, ungerade oder weder noch? Algebraische und graphische Beweise 4-E1 Symmetrie einer Funktion: Aufgabe 3 Bestimmen Sie algebraisch und graphisch, ob die Funktionen gerade oder ungerade sind, oder
MehrKapitel 2 Wahrscheinlichkeitsrechnung
Motivation bisher: Beschreibung von Datensätzen = beobachteten Merkmalsausprägungen Frage: Sind Schlußfolgerungen aus diesen Beobachtungen möglich? Antwort: Ja, aber diese gelten nur mit einer bestimmten
MehrBrückenkurs Mathematik 2015
Technische Universität Dresden Fachrichtung Mathematik, Institut für Analysis Dr.rer.nat.habil. Norbert Koksch Brückenkurs Mathematik 2015 1. Vorlesung Logik, Mengen und Funktionen Ich behaupte aber, dass
MehrDas Modellierungstool Scitor Process 3.0
Das Modellierungstool Scitor Process 3.0 Prozessmodellierung und -simulation in der Praxis Scitor Process 3.0 zur lokalen Installation (I) Pv303aTD.exe pv3flow.exe pv3sim.exe pv3swim.exe http://www.sciforma.com/
MehrInformationsverarbeitung auf Bitebene
Informationsverarbeitung auf Bitebene Dr. Christian Herta 5. November 2005 Einführung in die Informatik - Informationsverarbeitung auf Bitebene Dr. Christian Herta Grundlagen der Informationverarbeitung
MehrMengen und Abbildungen
1 Mengen und bbildungen sind Hilfsmittel ( Sprache ) zur Formulierung von Sachverhalten; naive Vorstellung gemäß Georg Cantor (1845-1918) (Begründer der Mengenlehre). Definition 1.1 Eine Menge M ist eine
Mehr1.3 Charakteristische Eigenschaften von objektorientierten Systemen
1.3 Charakteristische Eigenschaften von objektorientierten Systemen Einkapselung (Encapsulation) Geheimhaltungsprinzip (Information / Implementation hiding) Persistenz (State retention) Objektidentität
MehrTilman Bauer. 4. September 2007
Universität Münster 4. September 2007 und Sätze nlogik von Organisatorisches Meine Koordinaten: Sprechstunden: Di 13:30-14:30 Do 9:00-10:00 tbauer@uni-muenster.de Zimmer 504, Einsteinstr. 62 (Hochhaus)
MehrBemerkungen zur Notation
Bemerkungen zur Notation Wir haben gerade die Symbole für alle und es gibt gebraucht. Dies sind so genannte logische Quantoren, und zwar der All- und der Existenzquantor. Die Formel {a A; ( b B)[(a, b)
MehrBeschleunigte Entwicklung und Prüfung von BMS durch Einsatz einer HIL-Umgebung
Beschleunigte Entwicklung und Prüfung von BMS durch Einsatz einer HIL-Umgebung CAE-Forum Hannover Messe 2017 Dipl.-Wirtsch.-Ing. C. Kettenring Dipl.-Ing. M. Puchta Dr. rer. nat. M. Schwalm Hardware in
MehrTerme 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
MehrKernprozess zur System- und Softwareentwicklung. Logische Systemarchitektur f 1. f 2 f 3. f 4 Funktion. Technische Systemarchitektur SG 1 SG 2 SG 3
Systems Engineering Systems Engineering ist die gezielte Anwendung von wissenschaftlichen und technischen Ressourcen! zur Transformation eines operationellen Bedürfnisses in die Beschreibung einer Systemkonfiguration
MehrEinführung in Datenbanken
Einführung in Datenbanken Dipl.-Inf. Michael Wilhelm Hochschule Harz FB Automatisierung und Informatik mwilhelm@hs-harz.de Raum 2.202 Tel. 03943 / 659 338 1 Inhalt 1. Grundlegende Begriffe der Datenbanktechnologie
MehrNichtklassische 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
MehrDesign Thinking. Berner Fachhochschule Institut Unternehmensentwicklung Prof. Dr. Andreas Ninck
Design Thinking Die Fähigkeit, schneller zu lernen als die Konkurrenz, ist vielleicht der einzige wirklich dauerhafte Wettbewerbsvorteil. Arie de Geus, Royal Dutch Shell Innovation Machbarkeit Nützlichkeit
MehrLehrstuhl für Datenverarbeitung. Technische Universität München. Grundkurs C++ Objektmodellierung. Grundkurs C++
Grundkurs C++ Objektmodellierung Grundkurs C++ Objektmodellierung welche Objekte bzw. Klassen werden benötigt? welche Information wird benötigt, um ein Objekt zu beschreiben? welche Beziehungen bestehen
MehrVor(schau)kurs für Studienanfänger Mathematik: Aussagen und Mengen
Vor(schau)kurs für Studienanfänger Mathematik: Aussagen und Mengen 09.10.2014 Herzlich Willkommen zum 2. Teil des Vorschaukurses für Mathematik! Organisatorisches Der Vorkurs besteht aus sechs Blöcken
MehrZiele und Tätigkeiten von Architekten
Ziele und Tätigkeiten von Architekten Definition Software Architektur o A software architecture provides a model of a whole software system that is composed of internal behavioral units (i.e. components)
MehrKapitel IR:II. II. Grundlagen des Information Retrieval. Retrieval-Evaluierung Indexterme
Kapitel IR:II II. Grundlagen des Information Retrieval Retrieval-Evaluierung Indexterme IR:II-1 Basics STEIN 2005-2010 Batch-Mode-Retrieval einmaliges Absetzen einer Anfrage; nur eine Antwort wird geliefert
MehrVorkurs Mathematik 2016
Vorkurs Mathematik 2016 WWU Münster, Fachbereich Mathematik und Informatik PD Dr. K. Halupczok Skript VK1 vom 8.9.2016 VK1: Logik Die Kunst des Schlussfolgerns Denition 1: Eine Aussage ist ein sprachliches
MehrSeminar Kognitive Robotik. Interne Modelle I Vorwärtsmodelle Vortragender: Rüdiger Timpe
Seminar Kognitive Robotik Interne Modelle I Vortragender: Rüdiger Timpe Quellen Miall/Wolpert: Forward Models for Physiological Motor Control (1996) Blakemore/Wolpert/Frith: Why can't you tickle yourself?
Mehr1.1 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
MehrLogische Grundlagen der Mathematik, WS 2014/15
Logische Grundlagen der Mathematik, WS 2014/15 Thomas Timmermann 16. Oktober 2014 1 Einleitung Literatur Paul.R. Halmos, Naive Set Theory Ralf Schindler, Logische Grundlagen der Mathematik Peter J. Cameron,
MehrEinführung in die Fuzzy Logik
Einführung in die Fuzzy Logik Einleitung und Motivation Unscharfe Mengen fuzzy sets Zugehörigkeitsfunktionen Logische Operatoren IF-THEN-Regel Entscheidungsfindung mit dem Fuzzy Inferenz-System Schlußbemerkungen
MehrKapitel 2 MENGENLEHRE
Kapitel 2 MENGENLEHRE In diesem Kapitel geben wir eine kurze Einführung in die Mengenlehre, mit der man die ganze Mathematik begründen kann. Wir werden sehen, daßjedes mathematische Objekt eine Menge ist.
MehrTheoretische 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
MehrEmpirische Strategien
Empirische Strategien Julian Raschke 07.04.2009 Übersicht Einordnung die Strategien im Detail Vergleich Kontext Software-Engineering Empirische Strategien 07.04.2009 2 Einordnung Situation: Software-Entwicklungsprozess
MehrKybernetik Das Kybernetische Modell
Kybernetik Das Kybernetische Modell Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 05. 06. 2012 Das Modell Das Modell Was ist ein Modell? Ein Modell
MehrFunktionen: Einleitung
Funktionen: Einleitung Funktionen sind fundamentale Instrumente der Mathematik zur Beschreibung verschiedener Zusammenhänge. E 1 E 2 E 3 Der Abbildungsbegriff Abb. 1 1: Darstellung einer Abbildung Oft
MehrLogik 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
Mehr1. Wissenschaftstheoretische Grundlagen Soziologische Theorie als erfahrungswissenschaftliche
1. Wissenschaftstheoretische Grundlagen 1.1. Soziologische Theorie als erfahrungswissenschaftliche Theorie 1.1.1. Was sind keine erfahrungswissenschaftlichen Theorien? Aussagen der Logik und der Mathematik
MehrTechnische Universität Kaiserslautern Lehrstuhl für Virtuelle Produktentwicklung
functions in SysML 2.0 La Jolla, 22.05.2014 12/10/2015 Technische Universität Kaiserslautern Lehrstuhl für Virtuelle Produktentwicklung Dipl. Wirtsch.-Ing. Christian Muggeo Dipl. Wirtsch.-Ing. Michael
MehrMethoden der computergestützten Produktion und Logistik
Methoden der computergestützten Produktion und Logistik 1. Modelle Prof. Dr.-Ing. habil. Wilhelm Dangelmaier Modul W 2336 SS 2016 Modellbegriff Definition nach Klaus und Buhr Ein Modell ist ein bewusst
MehrNeoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel
Neoklassische Produktions- und Kostenfunktion Mathematische Beschreibung zu einer Modellabbildung mit Excel Dieses Skript ist die allgemeine Basis eines Modells zur Simulation der ökonomischen Folgen technischer
MehrModell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen
Modell zur Einflussanalyse Ein Modell zur Einflussanalyse von Methodenänderungen in Entwicklungsprozessen Roland Koppe, Stefan Häusler, Axel Hahn 2 Übersicht Einleitung und Motivation Ansatz und Methodik
MehrVorlesung. 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
MehrWS 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
MehrKapitel 1. Grundlagen Mengen
Kapitel 1. Grundlagen 1.1. Mengen Georg Cantor 1895 Eine Menge ist die Zusammenfassung bestimmter, wohlunterschiedener Objekte unserer Anschauung oder unseres Denkens, wobei von jedem dieser Objekte eindeutig
Mehr2. Stochastische ökonometrische Modelle. - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen
.1. Stochastische ökonometrische Modelle.1 Einführung Ziele: - Modelle der ökonomischen Theorie an der Wirklichkeit überprüfen - Numerische Konkretisierung ökonomischer Modelle und deren Analse. . Variierende
MehrSozialwissenschaftliche Modelle und Daten SoSe 2010
Sozialwissenschaftliche Modelle und Daten SoSe 2010 LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel C. Dudel Sozialwissenschaftliche Modelle und Daten SoSe 2010 1 23 1 Formalia 2
Mehr3 Allgemeine Algebren
Grundlagen der Mathematik für Informatiker 1 3 Allgemeine Algebren Definition 3.1 Für eine Menge A nennen wir eine n-stellige Funktion ω : A n A eine n-äre algebraische Operation. Bemerkung zum Fall n
MehrWas 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
MehrL2. Vektorräume. Physikalische Größen lassen sich einteilen in: 1) Skalare: vollständig bestimmt durch Angabe einer. Beispiele:
L2. Vektorräume Physikalische Größen lassen sich einteilen in: 1) Skalare: vollständig bestimmt durch Angabe einer Beispiele: 2) Vektoren: vollständig bestimmt durch Angabe einer und einer Beispiele: Übliche
MehrTiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining
Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe
MehrMathematische Grundlagen I Logik und Algebra
Logik und Algebra Dr. Tim Haga 21. Oktober 2016 1 Aussagenlogik Erste Begriffe Logische Operatoren Disjunktive und Konjunktive Normalformen Logisches Schließen Dr. Tim Haga 1 / 21 Präliminarien Letzte
MehrDie Formelsprache der Nichtstandardanalysis (NSA) und das Axiom vom idealen Punkt. Antje Rogalla Freie Universität Berlin
Die Formelsprache der Nichtstandardanalysis (NSA) und das Axiom vom idealen Punkt Antje Rogalla Freie Universität Berlin 31.10.2012 1 Inhaltsverzeichnis 1 Einleitung 3 2 Die Formelsprache der NSA 4 3 Das
MehrHIR Method & Tools for Fit Gap analysis
HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes
MehrEinführung in die Wahrscheinlichkeitsrechnung
Marco Cattaneo Institut für Statistik Ludwig-Maximilians-Universität München Sommersemester 2011 1. Wahrscheinlichkeitsrechnung 2. Diskrete Zufallsvariable 3. Stetige Zufallsvariable 4. Grenzwertsätze
MehrDiskrete 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
Mehr1. Methoden der Hirnforschung 2. Mechanistische Erklärung 3. Neuronale Mechanismen 4. Erklärung des Bewusstseins?
1. Methoden der Hirnforschung 2. Mechanistische Erklärung 3. Neuronale Mechanismen 4. Erklärung des Bewusstseins? Brigitte Falkenburg 1 1. Methoden der Hirnforschung 2 top-down down/analytisch: Atomistisch
MehrTrim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, :34 P.M. Page 11. Über die Übersetzerin 9. Einleitung 19
Trim Size: 176mm x 240mm Lipow ftoc.tex V1 - March 9, 2016 6:34 P.M. Page 11 Inhaltsverzeichnis Über die Übersetzerin 9 Einleitung 19 Was Sie hier finden werden 19 Wie dieses Arbeitsbuch aufgebaut ist
MehrSoftware Engineering
Software Engineering Gustav Pomberger, Wolfgang Pree Architektur-Design und Prozessorientierung ISBN 3-446-22429-7 Weitere Informationen oder Bestellungen unter http://www.hanser.de/3-446-22429-7 sowie
MehrInformation für Mitarbeiter/innen zum Thema Prozessmanagement Teil 2
Information für Mitarbeiter/innen zum Thema Prozessmanagement Teil 2 Version 1.0 - ENTWURF - Schriftenreihe des Kompetenzzentrums Prozessmanagement KÖLN, 15.03.2013 I m p r e s s u m Herausgeber: Bundesverwaltungsamt
MehrInhalt. SWP Logische Programme. Motivation. Formalisierung. Wissensbasis. Bsp (Bibel)Verwandtschaften. Motivation Sprache LP
Inhalt SWP Logische Programme Franz Wotawa Institut für Softwaretechnologie wotawa@ist.tugraz.at Motivation Sprache LP Resolution Unifikation Datenbanken und logische Programme Semantik 2 Motivation Bsp
MehrLogische Grundlagen der Mathematik, WS 2014/15
Logische Grundlagen der Mathematik, WS 0/ Thomas Timmermann 8. Januar 0 Kardinalzahlen und die Mächtigkeit von Mengen Gleichmächtigkeit von Menge Zur Erinnerung: Wir wollen unendlich große Mengen hinsichtlich
MehrEinführung 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
MehrStandardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
MehrOO Programmiersprache vs relationales Model. DBIS/Dr. Karsten Tolle
OO Programmiersprache vs relationales Model Vorgehen bisher Erstellen eines ER-Diagramms Übersetzen in das relationale Datenmodell Zugriff auf das relationale Datenmodell aus z.b. Java ER rel. Modell OO
MehrWoher Methoden der KI stammen Gebiete der Künstlichen Intelligenz wissensbasierte Systeme
Woher Methoden der KI stammen Gebiete der Künstlichen Intelligenz (induktives) Lernen Aus einer anwendungsorientierten Sicht spielen in der Künstlichen Intelligenz insbesondere folgende Gebiete eine Rolle:
Mehr5.4 Hamilton-Mechanik
5.4 Hamilton-Mechanik 157 5.4 Hamilton-Mechanik Die Lagrangegleichung ist das Mittel zur Wahl zum Lösen allgemeiner mechanischer Aufgaben, wobei es unerheblich ist, welches konkrete Problem und unter Benutzung
MehrAlgorithmische Modelle als neues Paradigma
Algorithmische Modelle als neues Paradigma Axel Schwer Seminar über Philosophische Grundlagen der Statistik, WS 2010/11 Betreuer: Prof. Dr. Thomas Augustin München, den 28. Januar 2011 1 / 29 LEO BREIMAN
MehrKonstruktion der reellen Zahlen
Konstruktion der reellen Zahlen Zur Wiederholung: Eine Menge K (mit mindestens zwei Elementen) heißt Körper, wenn für beliebige Elemente x, y K eindeutig eine Summe x+y K und ein Produkt x y K definiert
Mehr