Grundlagen des Maschinellen Lernens Kapitel 4: PAC Lernen
|
|
- Martha Zimmermann
- vor 6 Jahren
- Abrufe
Transkript
1 Kapitel 4:. Motivation 2. Lernmodelle Teil I 2.. Lernen im Limes 2.2. Fallstudie: Lernen von Patternsprachen 3. Lernverfahren in anderen Domänen 3.. Automatensynthese 3.2. Entscheidungsbäume 3.3. Entscheidungsbäume über regulären Patterns 4. Lernmodelle Teil II 4.. Online-Lernen 4.2. PAC-Lernen 5. Spezielle Lernverfahren 5.. unüberwachtes Lernen 5.2 überwachtes Lernen 2/ Kapitel 4: Fahrplan... Ziel: Antworten auf die Fragen zum PAC-Lernen konzentrieren uns auf das Lernen von endlichen Konzeptklassen speziell das Lernen von Klassen boolescher Funktionen beispiel-effizientes PAC-Lernen laufzeit-effizientes PAC-Lernen im Anschluß: Ausblick auf das Lernen von unendlichen Konzeptklassen 2/2
2 Kapitel 4: endliche Konzeptklassen eine n-stellige boolesche Funktion ist eine Abbildung von {, } n {, } C n sei Klasse von n-stelligen booleschen Funktionen (/* und damit endlich */)... zugrunde liegender Lernbereich X n = {, } n C = C n ist eine Klasse von booleschen Funktionen (/* und damit unendlich */) n... zugrunde liegender Lernbereich X = X n n Fokus der Untersuchungen... uniforme beispiel-effiziente bzw. laufzeit-effiziente PAC-Lernverfahren S für die unendliche Konzeptklasse C... für jedes n ist S ein beispiel-effiziente bzw. laufzeit-effiziente PAC- Lernverfahren für die endliche Teilklasse C n 2/3 Kapitel 4: boolesche Funktionen... das PAC-Lernen von Klassen booelscher Funktionen ist schwierig, weil es für jedes n jeweils 2 2n viele verschiedene n-stellige boolesche Funktionen gibt x x 2 x 3 f(x,,x 2,x 3 ) es gibt 2 n Elemente in X n es gibt für jedes Element in X n gibt es 2 mögliche Funktionswerte... also gibt es 2 2n n-stellige boolesche Funktionen... untersuchen die PAC-Lernbarkeit spezieller Klassen boolescher Funktionen 2/4
3 Kapitel 4: Beschreibungsmittel für boolesche Funktionen () aussagenlogische Formeln (2) Entscheidungslisten (3) Schaltkreise konzentrieren uns auf () und (2) 2/5 Kapitel 4: aussagenlogische Formeln... es sei n gegeben Variablen: x, x 2,, x n Operatoren:,, (i) Jede Variable ist eine Formel. (ii) Es seien F und G Formeln. Dann sind auch (F G), (F G) und (F) Formeln.... Klammern kann man sich sparen Hinweis: x i bzw. x i nennt man üblicherweise Literale 2/6
4 Kapitel 4: spezielle aussagenlogische Formeln Klausel: Disjunktion von Literalen Terme: Konjunktion von Literalen KNF: Konjunktion von Klauseln DNF: Disjunktion von Termen (i) Eine k-knf ist eine KNF, in der jede Klausel höchstens k Literale enthält. (ii) Eine k-dnf ist eine DNF, in der jeder Term höchstens k Literale enthält. Hinweis: Jede -KNF ist ein Term und jede -DNF ist eine Klausel. 2/7 Kapitel 4: x x 2 x 3 f(x,,x 2,x 3 ) 2-DNF: ( x ) ( x 2 x 3 ) 2-KNF: ( x x 3 ) ( x x 2 ) 2/8
5 Kapitel 4: Entscheidungslisten Eine Entscheidungsliste ist eine endliche Liste von Paaren (K,l ),, (K r-,l r- ), (true,b r ), wobei K,, K r- Terme sind und l,, l r Elemente (/* sog. Label */) aus {, } sind. [( x x 3,), (x x 2,), (x x 3,), (true,)] x x 3 x x 2 x x 3 2/9 Kapitel 4: [( x x 3,), (x x 2,), (x x 3,), (true,)] x x 3 f L (x,,x n ) = Label des ersten Terms K i, mit f Ki (x,,x n ) = x x 2 x x 2 x 3 f L (x,,x 2,x 3 ) x x 3 Hinweis:... Label der ersten Terms, den das Beispiel b = x...x n erfüllt 2/
6 Kapitel 4: [( x x 3,), (x x 2,), (x x 3,), (true,)] x x 3 x x 2... äquivalent zu x x 3 if ( x x 3 ) return(); else if (x x 2 ) return(); else if (x x 4 ) return(); else return(); 2/ Kapitel 4: Entscheidungslisten Eine Entscheidungsliste ist eine endliche Liste von Paaren (K,l ),, (K r-,l r- ), (true,l r ), wobei K,, K r- Terme sind und l,, l r Elemente (/* sog. Label */) aus {, } sind. Eine Entscheidungsliste heißt k-entscheidungsliste, wenn jeder Term höchstens k Literale enthält. 2/2
7 Kapitel 4: Zusammenhänge () Zu jeder k-dnf gibt es eine äquivalent k-entscheidungsliste. (2) Zu jeder k-knf gibt es eine äquivalent k-entscheidungsliste. (3) Es gibt k-entscheidungslisten, für die es keine äquivalente k-dnf und keine äquivalente k-knf gibt. (4) Es gibt boolesche Funktionen, die nicht mit k-entscheidungslisten beschreibbar sind. 2/3 Kapitel 4: Zusammenhänge k-knf k-dnf k-el alle booleschen Funktionen 2/4
8 Kapitel 4: Zusammenhänge (/* zu () */) k-dnf (/* Bez.: F */): ( x x 3 ) (x x 2 x 4 ) (x x 2 ) äquivalente k-el für F: (( x x 3,), (x x 2 x 4,), (x x 2,), (true,)) 2/5 Kapitel 4: Zusammenhänge (/* zu (2) */) k-knf (/* Bez.: F */): ( x x 3 ) (x x 2 x 4 ) (x x 2 ) k-dnf für F: (x x 3 ) ( x x 2 x 4 ) ( x x 2 ) äquivalente k-el F: ((x x 3,), ( x x 2 x 4,), ( x x 2,), (true,)) äquivalente k-el für F: ((x x 3,), ( x x 2 x 4,), ( x x 2,), (true,)) 2/6
9 Kapitel 4: Zusammenhänge (/* zu (3) */)... es seien k = und n = 3 x x 2 x 3 x x f 2 x 3 L (x,,x 2,x 3 )... es gibt offenbar keine -DNF (/* keine Klausel */) für f L... es gibt offenbar keine -KNF (/* keinen Term */) für f L 2/7 Kapitel 4: Zusammenhänge (/* zu (4) */)... es seien k = und n = 2 x x 2 f(x,,x 2 )... es gibt offenbar keine -EL für f 2/8
10 Kapitel 4: zurück zum PAC-Lernen... wir werden sehen, daß es beispiel-effiziente und laufzeit-effiziente PAC- Lernverfahren für die folgenden Konzeptklassen gibt alle durch k-dnf beschreibbare booleschen Funktionen alle durch k-knf beschreibbare booleschen Funktionen alle durch k-el beschreibbare booleschen Funktionen... wir kümmern uns zunächst um beispiel-effiziente PAC-Lernverfahren 2/9 Kapitel 4: ein grundlegender Zusammenhang es sei X n der zugrunde liegende Lernbereich, C n eine Konzeptklasse über X n und D irgendeine Wahrscheinlichkeitsverteilung über X n Wenn ein PAC-Lernverfahren S für die Konzeptklasse C n in Phase mindesten s = / ε ln( C n / δ) viele Beispiele anfordert in Phase 2 eine Hypothese h c C n bestimmt, die mit allen angebotenen Beispielen konsistent ist so gilt mit Wahrscheinlichkeit - δ: error D (h c,c) ε... wenn ln( C n ) polynomiell in n beschränkt ist, so ist S ein beispiel-effizientes PAC-Lernverfahren für C n 2/2
11 Kapitel 4: Anwendungen Monome/Terme... es gibt höchstens O(3 n ) viele Monome/Terme in den Variablen x,..., x n k-dnf s/k-knf s... es gibt höchstens O(2 nk ) viele k-dnf s/k-knf s in den Variablen x,..., x n k-el... es gibt höchstens O(3 nk *(n k )!) viele k-el s in den Variablen x,..., x n... für jede diese Konzeptklassen gibt es beispiel-effiziente PAC-Lernverfahren!!! 2/2 Kapitel 4:... auf dem Weg zur Beweisidee mögliche Hypothesen good(c) c cons(b) good(c) = { h error D (h,c) ε} cons(b) = { h h(b) = c(b) für alle b mit (b,c(b)) B } 2/22
12 Kapitel 4: mögliche Hypothesen good(c) c cons(b B') good(c) = { h error D (h,c) ε} cons(b B ) = { h h(b) = c(b) für alle b mit (b,c(b)) B B' } 2/23 Kapitel 4: mögliche Hypothesen good(c) c cons(b B'') good(c) = { h error D (h,c) ε} cons(b B ) = { h h(b) = c(b) für alle b mit (b,c(b)) B B } 2/24
13 Kapitel 4: ein grundlegender Zusammenhang es sei X n der zugrunde liegende Lernbereich, C n eine Konzeptklasse über X n und D irgendeine Wahrscheinlichkeitsverteilung über X n Wenn ein PAC-Lernverfahren S für die Konzeptklasse C n in Phase mindesten s = / ε ln( C n / δ) viele Beispiele anfordert in Phase 2 eine Hypothese h c C n bestimmt, die mit allen angebotenen Beispielen konsistent ist so gilt mit Wahrscheinlichkeit - δ: error D (h c,c) ε... wenn ln( C n ) polynomiell in n beschränkt ist, so ist S ein beispiel-effizientes PAC-Lernverfahren für C n 2/25 Kapitel 4: Beweisskizze es sei X n der zugrunde liegende Lernbereich, C n eine Konzeptklasse über X n und D irgendeine Wahrscheinlichkeitsverteilung über X n es seien der Fehlerparameter ε und der Vertrauensparameter δ präzisiert es sei c C n bad(c) = { h h C n, error D (h,c) > ε } es seien h bad(c) und (b,c(b)) ein Beispiel für c die Wahrscheinlichkeit dafür, daß h (b) = c(b) gilt, ist - ε 2/26
14 Kapitel 4: es seien h bad(c) und B ein Sample mit m Beispielen (b,c(b)) für c die Wahrscheinlichkeit dafür, daß h (b) = c(b) für alle m Beispiele in B gilt, ist ( - ε) m es sei E das Ereignis, daß es eine Hypothese h C n gibt, für die gilt: h (b) = c(b) für alle m Beispiele (b,c(b)) in B und h bad(c) die Wahrscheinlichkeit dafür, daß das Ereignis E eintritt, ist = bad(c) *( - ε) m die Wahrscheinlichkeit dafür, daß das Ereignis E eintritt, ist C n *( - ε) m 2/27 Kapitel 4: Ziel: wir wählen m so, daß gilt die Wahrscheinlichkeit dafür, daß das Ereignis E eintritt, ist < δ... damit gilt die Wahrscheinlichkeit dafür, daß das Ereignis E nicht eintritt, ist - δ das Ereignis E tritt nicht ein, falls für jede Hypothese h C n gilt: wenn h (b) = c(b) für alle m Beispiele (b,c(b)) in B, so ist h bad(c) das Ereignis E tritt nicht ein, falls für jede Hypothese h C n gilt: wenn h (b) = c(b) für alle m Beispiele (b,c(b)) in B, so ist error D (h,c) ε 2/28
15 Kapitel 4: die Wahrscheinlichkeit dafür, daß das Ereignis E nicht eintritt, ist - δ... falls m so gewählt wurde, daß: C n * ( - ε) m < δ... falls m so gewählt wurde, daß: ln( C n ) + m ln( - ε) < ln(δ)... falls m so gewählt wurde, daß: ln( C n ) + m(-ε) < ln(δ)... falls m so gewählt wurde, daß: /ε * ln( C n /δ) < m denn ln(-ε) -ε 2/29 Kapitel 4: laufzeit-effiziente PAC-Lernverfahren es sei X n der zugrunde liegende Lernbereich und C n eine Konzeptklasse über X n es sei bekannt, daß ln( C n ) polynomiell in n beschränkt ist Um zu zeigen, daß es ein laufzeit-effizientes Lernverfahren für die Konzeptklasse C n gibt, genügt es ein konsistentes Lernverfahren anzugeben, daß bzgl. des Hypothesenraums C n arbeitet und zur Verarbeitung eines Samples mit m klassifizierten Beispielen nur Rechenzeit polynomiell in m benötigt.... solch ein PAC-Lernverfahren ist automatisch polynomiell in /ε,/δ, und n 2/3
16 Kapitel 4: ein laufzeit-effizientes Verfahren für k-knf s... es seien n, k gegeben und B ein Sample mit klassifizierten Beispielen, d.h. B enthält Elemente aus {,} n {, } setze h = Konjunktion aller Klauseln d mit höchstens k Literalen while ( B ) wähle ein klassifiziertes Beispiel (b,c(b)) aus B setze B = B \ { (b,c(b)) } falls c(b) =, so streiche alle Klauseln d in h, die das Beispiel b nicht erfüllen return(h) 2/3 Kapitel 4: ein laufzeit-effizientes Verfahren für k-el s K = true, falls B nur positive oder nur negative Beispiele enthält... es seien n, k gegeben und B ein Sample mit klassifizierten Beispielen, d.h. B enthält Elemente aus {,} n {, } setze h = leere Liste while ( B ) wähle einen Term K mit maximal k Literalen, so daß für alle klassifizierten Beispiele (b,c(b)) und (b,c(b )) in B gilt: wenn b und b den Term K erfüllen, so gilt c(b) = c(b ) setze B = { (b,c(b)) (b,c(b)) B, K erfüllt b } erweitere h um das Element (K,), falls b = für alle (b,c(b)) in B erweitere h um das Element (K,), falls b = für alle (b,c(b)) in B setze B = B \ B falls das letzte Element von h ungleich (true,l) ist und das Label hat, so erweitere h um (true,); sonst um (true,) return(h) 2/32
17 Kapitel 4: Ausblick auf das Lernen von unendlichen Konzeptklassen zentraler Begriff: Vapnik-Chervonenkis-Dimension untere Schranke für die Anzahl der Beispiele, die ein beispiel-effizientes PAC-Lernverfahren benötigt hinreichende und notwendiges Kriterium für die beispieleffiziente PAC-Lernbarkeit von Konzeptklassen 2/33 Kapitel 4: zentraler Begriff: Vapnik-Chervonenkis-Dimension es seien X ein Lernbereich und C eine Konzeptklasse über X Eine endliche Teilmenge von E X ist zerlegbar durch die Konzeptklasse C, falls es zu jeder Zerlegung E = E E2 mit E E2 = ein Konzept c C gibt, so daß gilt: E c und E2 co-c. Die VC-Dimension von C ist die Kardinalität der größten endlichen Teilmenge E von X, die durch C zerlegbar ist. Falls beliebig große endliche Teilmengen E von X durch C zerlegbar sind, so ist die VC-Dimension der Konzeptklasse C unendlich. 2/34
18 Kapitel 4: Beispiele X = R 2 C sei die Menge aller achsenparallelen Rechtecke C sei die Menge aller Dreiecke C sei die Menge aller Vierecke C sei die Menge aller konvexen Polygone mit n Ecken C sei die Menge aller Kreise X = R C sei die Menge aller Intervalle C sei die Menge aller Vereinigungen von endlich vielen Intervallen X = {, } n C sei die Menge aller DNFs (KNFs) in n Variablen C sei die Menge aller -DNFs (-KNFs) in n Variablen 2/35 Kapitel 4: Beispiele X = R 2 C sei die Menge aller achsenparallelen Rechtecke... 4 C sei die Menge aller Dreiecke... 7 C sei die Menge aller Vierecke... 9 C sei die Menge aller konvexen Polygone mit n Ecken... 2n+ C sei die Menge aller Kreise... 3 X = R C sei die Menge aller Intervalle... C sei die Menge aller Vereinigungen von endlich vielen Intervallen... X = {, } n C sei die Menge aller DNFs (KNFs) in n Variablen... C sei die Menge aller -DNFs (-KNFs) in n Variablen n n 2/36
19 Kapitel 4: Interpretation der folgenden Ergebnisse unendlicher Fall es seien X ein Lernbereich und C eine Konzeptklasse über X VC(C) ist eine Zahl... endlicher Fall es seien X n ein Lernbereich und C n eine endliche Konzeptklasse über X n VC(C n ) ist eine Funktion in n 2/37 Kapitel 4: ein grundlegendes Resultat es seien X ein Lernbereich, C eine Konzeptklasse über X und D irgendeine Wahrscheinlichkeitsverteilung über X es sei d = VC(C) Wenn ein PAC-Lernverfahren S für die Konzeptklasse C in Phase mindesten s = 4/ ε [ d ln (2/ε) + ln (2/δ)] viele Beispiele anfordert in Phase 2 eine Hypothese h c C bestimmt, die mit allen angebotenen Beispielen konsistent ist so gilt mit Wahrscheinlichkeit - δ: error D (h c,c) ε... für endliche Konzeptklassen C n muß eine Polynom poly(n) mit VC(C n ) poly(n) existieren 2/38
20 Kapitel 4: Beispiele für Konzeptklassen, die beispiel-effizient PAC-lernbar sind X = R 2 die Menge aller achsenparallelen Rechtecke die Menge aller Dreiecke die Menge aller Vierecke die Menge aller konvexen Polygone mit n Ecken die Menge aller Kreise X = R die Menge aller Intervalle 2/39 Kapitel 4: ein anderes grundlegendes Resultat es seien X ein Lernbereich, C eine Konzeptklasse über X C ist beispiel-effizient PAC-lernbar genau dann, wenn die VC-Dimension von C endlich ist.... laufzeit-effiziente PAC-Lernverfahren für solche Konzeptklassen sind schnelle konsistente PAC-Lernverfahren... für endliche Konzeptklassen C n muß eine Polynom poly(n) mit VC(C n ) poly(n) existieren 2/4
21 Kapitel 4: Beispiele für Konzeptklassen, die nicht beispiel-effizient PAC-lernbar sind X = R die Menge aller Vereinigungen von endlich vielen Intervallen X = { alle Wörter über dem Alphabet A = { a } } die Menge aller Patternsprachen die Menge aller Patternsprachen aus Patterns, die nur eine Variable enthalten (/* evtl. mehrfach */) 2/4
Grundlagen des Maschinellen Lernens Kap. 4: Lernmodelle Teil II
1. Motivation 2. Lernmodelle Teil I 2.1. Lernen im Limes 2.2. Fallstudie: Lernen von Patternsprachen 3. Lernverfahren in anderen Domänen 3.1. Automatensynthese 3.2. Entscheidungsbäume 3.3. Entscheidungsbäume
MehrLernalgorithmen SoSe 2008 in Trier. Henning Fernau Universität Trier
Lernalgorithmen SoSe 2008 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Lernalgorithmen Gesamtübersicht 0. Einführung 1. Identifikation (aus positiven Beispielen) 2. Zur Identifikation
MehrLernalgorithmen SoSe 2008 in Trier. Henning Fernau Universität Trier
Lernalgorithmen SoSe 2008 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Lernalgorithmen Gesamtübersicht 0. Einführung 1. Identifikation (aus positiven Beispielen) 2. Zur Identifikation
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 5. Aussagenlogik Normalformen Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Normalformen Definition: Literal Atom (aussagenlogische
MehrLernalgorithmen SoSe 2010 in Trier. Henning Fernau Universität Trier
Lernalgorithmen SoSe 2010 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Lernalgorithmen Gesamtübersicht 0. Einführung 1. Identifikation (aus positiven Beispielen) 2. Zur Identifikation
MehrAllgemeingültige Aussagen
Allgemeingültige Aussagen Definition 19 Eine (aussagenlogische) Formel p heißt allgemeingültig (oder auch eine Tautologie), falls p unter jeder Belegung wahr ist. Eine (aussagenlogische) Formel p heißt
MehrEinige Grundlagen der Komplexitätstheorie
Deterministische Polynomialzeit Einige Grundlagen der Komplexitätstheorie Ziel: NP-Vollständigkeit als ressourcenbeschränktes Analagon zur RE-Vollständigkeit. Komplexitätstheorie untersucht den Ressourcenbedarf
MehrFormale Systeme. Das Erfu llbarkeitsproblem. Prof. Dr. Bernhard Beckert, WS 2017/2018
Formale Systeme Prof. Dr. Bernhard Beckert, WS 2017/2018 Das Erfu llbarkeitsproblem KIT I NSTITUT F U R T HEORETISCHE I NFORMATIK www.kit.edu KIT Die Forschungsuniversita t in der Helmholtz-Gemeinschaft
MehrLernen mit Queries. Hans Kleine Büning Institut für Informatik, Universität Paderborn Paderborn (Germany),
Lernen mit Queries Hans Kleine Büning Institut für Informatik, Universität Paderborn 33095 Paderborn (Germany), E-mail: kbcsl @upb.de November 2007 1 Einführung In diesem Abschnitt beschreiben wir kurz,
MehrAussagenlogik. 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.
MehrTU9 Aussagenlogik. Daniela Andrade
TU9 Aussagenlogik Daniela Andrade daniela.andrade@tum.de 18.12.2017 1 / 21 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds findet ;) 2 /
MehrResolutionskalkül. wird t als eine Menge K t von Klauseln geschrieben, welche die einzelnen Maxterme repräsentieren:
Resolutionskalkül Ein Kalkül ist eine Kollektion von syntaktischen Umformungsregeln, die unter gegebenen Voraussetzungen aus bereits vorhandenen Formeln neue Formeln erzeugen. Der Resolutionskalkül besteht
MehrDie Topologie von R, C und R n
Die Topologie von R, C und R n Für R haben wir bereits eine Reihe von Strukturen kennengelernt: eine algebraische Struktur (Körper), eine Ordnungsstruktur und eine metrische Struktur (Absolutbetrag, Abstand).
MehrComputational Learning Theory. Sommersemester 2018
Computational Learning Theory Sommersemester 2018 Prof. Dr. Georg Schnitger AG Theoretische Informatik Goethe-Universität Frankfurt am Main 1 / 163 Computational Learning Theory Sommersemester 2018 Prof.
MehrGrundlagen der Programmierung
GdP2 Slide 1 Grundlagen der Programmierung Vorlesung 2 Sebastian Ianoski FH Wedel GdP2 Slide 2 Beispiel ür eine Programmveriikation Gegeben sei olgender Algorithmus: i (x>0) ((y+x) 0) then z := x y else
MehrTU5 Aussagenlogik II
TU5 Aussagenlogik II Daniela Andrade daniela.andrade@tum.de 21.11.2016 1 / 21 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds findet ;)
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 5 8.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Syntax der Aussagenlogik: Definition der Menge
MehrHerzlich willkommen!!!
Computational Learning Theory Sommersemester 2017 Prof. Dr. Georg Schnitger AG Theoretische Informatik Goethe-Universität Frankfurt am Main Herzlich willkommen!!! 1 / 159 Einführung Einführung 2 / 159
MehrLogische Äquivalenz. Definition Beispiel 2.23
Logische Äquivalenz Definition 2.22 Zwei aussagenlogische Formeln α, β A heißen logisch äquivalent, falls für jede Belegung I von α und β gilt: Schreibweise: α β. Beispiel 2.23 Aus Folgerung 2.6 ergibt
MehrFormale 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
MehrSyntax der Aussagenlogik. Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen. Formel als Syntaxbaum. Teilformel A 3 A 1 A 4
Syntax der Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen Barbara König Übungsleitung: Christoph Blume Eine atomare Formel hat die Form A i (wobei i = 1, 2, 3,...). Definition (Formel)
MehrUniversität Heidelberg 12. April 2018 Institut für Informatik Klaus Ambos-Spies Nadine Losert. 2. Klausur zur Vorlesung Mathematische Logik
Universität Heidelberg 12. April 2018 Institut für Informatik Klaus Ambos-Spies Nadine Losert 2. Klausur zur Vorlesung Mathematische Logik Es können maximal 48 Punkte erworben werden. Die Klausur ist bestanden,
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 4 07.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Gestern Normalformen Atome, Literale, Klauseln Konjunktive
MehrOnline Lernen: Die Themen
Online Lernen: Die Themen (a) Das Online-Spiel: In jeder Runde präsentiert ein Lehrer ein Beispiel, das ein Schüler klassifiziert. Nach wie vielen Runden hat der Schüler das unbekannte Zielkonzept gelernt?
MehrTheorie der Informatik. Theorie der Informatik. 6.1 Einführung. 6.2 Alphabete und formale Sprachen. 6.3 Grammatiken. 6.4 Chomsky-Hierarchie
Theorie der Informatik 17. März 2014 6. Formale Sprachen und Grammatiken Theorie der Informatik 6. Formale Sprachen und Grammatiken Malte Helmert Gabriele Röger Universität Basel 17. März 2014 6.1 Einführung
MehrNormalformen boolescher Funktionen
Normalformen boolescher Funktionen Jeder boolesche Ausdruck kann durch (äquivalente) Umformungen in gewisse Normalformen gebracht werden! Disjunktive Normalform (DNF) und Vollkonjunktion: Eine Vollkonjunktion
MehrGrundlagen des Maschinellen Lernens Kap. 1: Einleitung
Gliederung der Vorlesung 1. Einleitung Einführende Beispiele Grundszenario des induktiven Lernens 2. Induktives Lernen von formalen Sprachen Patterns & Patternsprachen Lernproblem und Lösung Szenario des
MehrSyntax. 1 Jedes A AS AL ist eine (atomare) Formel. 2 Ist F eine Formel, so ist auch F eine Formel. 3 Sind F und G Formeln, so sind auch
Formale der Informatik 1 Kapitel 15 Folgerbarkeit, Äquivalenzen und Normalformen Frank Heitmann heitmann@informatik.uni-hamburg.de 8. Juni 2015 Syntax Definition (Syntax der Aussagenlogik) Mit AS AL sei
MehrMaike Buchin 18. Februar 2016 Stef Sijben. Probeklausur. Theoretische Informatik. Bearbeitungszeit: 3 Stunden
Maike Buchin 8. Februar 26 Stef Sijben Probeklausur Theoretische Informatik Bearbeitungszeit: 3 Stunden Name: Matrikelnummer: Studiengang: Geburtsdatum: Hinweise: Schreibe die Lösung jeder Aufgabe direkt
Mehrf(1, 1) = 1, f(x, y) = 0 sonst üblicherweise Konjunktion, manchmal auch
Belegungen, Wahrheitsfunktionen 1. Wie viele binäre Funktionen gibt es auf der Menge {0, 1} (d.h., Funktionen von {0, 1} 2 nach {0, 1})? Geben Sie alle diese Funktionen an, und finden Sie sinnvolle Namen
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 6 14.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Syntax der Aussagenlogik: Definition der Menge
MehrKapitel 1: Grundbegriffe
Kapitel 1: Stefan Ruzika Mathematisches Institut Universität Koblenz-Landau Campus Koblenz Stefan Ruzika (KO) 1 / 20 Gliederung 1 Logik Ein ganz kurzer Ausflug in die Kombinatorik Stefan Ruzika (KO) 2
MehrGrundlagen der Theoretischen Informatik
FH Wedel Pro. Dr. Sebastian Ianoski GTI21 Folie 1 Grundlagen der Theoretischen Inormatik Sebastian Ianoski FH Wedel Kap. 2: Logik, Teil 2.1: Aussagenlogik FH Wedel Pro. Dr. Sebastian Ianoski GTI21 Folie
MehrVorlesung Logik Wintersemester 2017/18 Universität Duisburg-Essen
Vorlesung Logik Wintersemester 2017/18 Universität Duisburg-Essen Barbara König Übungsleitung: Dennis Nolte, Harsh Beohar Barbara König Logik 1 Mengen, Relationen und Funktionen Menge: Menge X von Elementen,
MehrLogische und funktionale Programmierung
Logische und funktionale Programmierung Vorlesung 2 und 3: Resolution Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 3. November 2017 1/43 HERBRAND-STRUKTUR Sei
MehrAufgabe. Gelten die folgenden Äquivalenzen?. 2/??
Äquivalenz Zwei Formeln F und G heißen (semantisch) äquivalent, falls für alle Belegungen A, die sowohl für F als auch für G passend sind, gilt A(F ) = A(G). Hierfür schreiben wir F G.. 1/?? Aufgabe Gelten
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 4 7.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Syntax der Aussagenlogik: Definition der Menge
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
MehrFormale Grundlagen der Informatik 1 Kapitel 15 Normalformen und Hornformeln
Formale Grundlagen der Informatik 1 Kapitel 15 Normalformen und Frank Heitmann heitmann@informatik.uni-hamburg.de 30. Mai 2016 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/42 Zusammenfassung Syntax
MehrGrenzwerte und Stetigkeit
KAPITEL 3 Grenzwerte und Stetigkeit 3.1 Grenzwerte..................................... 49 3.2 Stetigkeit....................................... 57 Lernziele 3 Grenzwerte ε-δ-definition des Grenzwerts,
MehrResolution (Idee) Aus der Herleitung der leeren Disjunktion (= leere Klausel) folgt Unerfüllbarkeit.
Resolution (Idee) (F A) (F A) (F A) (F A) (F F ) Aus der Herleitung der leeren Disjunktion (= leere Klausel) folgt Unerfüllbarkeit. Zwei Fragen: Kann man aus einer unerfüllbaren Formel immer die leere
MehrUniversität Heidelberg 06. April 2017 Institut für Informatik Prof. Dr. Klaus Ambos-Spies Dipl.-Math. Martin Monath
Universität Heidelberg 06. April 2017 Institut für Informatik Prof. Dr. Klaus Ambos-Spies Dipl.-Math. Martin Monath Klausur zur Vorlesung Mathematische Logik Es können maximal 48 Punkte erworben werden.
MehrSemantik der Aussagenlogik (Kurzform)
Semantik der Aussagenlogik (Kurzform) Eine Interpretation ist eine Abbildung der Aussagevariablen je in {true,false} (entspr. Wahrheit und Falschheit, abk.,) Interpretation zusammengesetzter Formeln definiere
MehrKapitel 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
Mehrf ist sowohl injektiv als auch surjektiv.
Bemerkungen: Wir erinnern uns an folgende Definitionen: Eine Funktion f : U V heißt injektiv, wenn gilt: ( x, y U)[x y f(x) f(y)] Eine Funktion f : U V heißt surjektiv, wenn gilt: ( y V x U)[y = f(x)]
MehrZusammenfassung Syntax: Formale Grundlagen der Informatik 1 Kapitel 15 Normalformen und Hornformeln. Zusammenfassung
Formale der Informatik 1 Kapitel 15 und Frank Heitmann heitmann@informatik.uni-hamburg.de 30. Mai 2016 Zusammenfassung Syntax Zusammenfassung Syntax: Motivation Definition der Syntax: Alphabet, Junktor
MehrKapitel L:II. II. Aussagenlogik
Kapitel L:II II. Aussagenlogik Syntax der Aussagenlogik Semantik der Aussagenlogik Eigenschaften des Folgerungsbegriffs Äquivalenz Formeltransformation Normalformen Bedeutung der Folgerung Erfüllbarkeitsalgorithmen
MehrAussagenlogik. (MAF2) MAF(I, t) = t und MAF(I, f ) = f. Die Semantik aussagenlogischer Formeln ist durch die Funktion
43 Vergleiche mit MBA! (MAF4) MAF(I, (F G)) = MAF(I, F) MAF(I, G), wobei die zum Symbol gehörende Funktion ist. (MAF3) MAF(I, F) = MAF(I, F) (MAF2) MAF(I, t) = t und MAF(I, f ) = f (MAF1) MAF(I, A) = I(A),
MehrÜbung 4: Aussagenlogik II
Übung 4: Aussagenlogik II Diskrete Strukturen im Wintersemester 2013/2014 Markus Kaiser 8. Januar 2014 1/10 Äquivalenzregeln Identität F true F Dominanz F true true Idempotenz F F F Doppelte Negation F
MehrLogik-Grundlagen. Syntax der Prädikatenlogik
Logik-Grundlagen X 1 :...: X k : ( A 1 A 2... A m B 1 B 2... B n ) Logische und funktionale Programmierung - Universität Potsdam - M. Thomas - Prädikatenlogik III.1 Syntax der Prädikatenlogik Prädikat:
MehrGrundlagen 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
MehrGrundlagen der Programmierung
GdP4 Slide 1 Grundlagen der Programmierung Vorlesung 4 vom 04.11.2004 Sebastian Iwanowski FH Wedel Grundlagen der Programmierung 1. Einführung Grundlegende Eigenschaften von Algorithmen und Programmen
MehrAufgabe 13 (Markierungsalgorithmus). Gegeben ist die Formel F = (A D C) (E A) ( ( B D) E) A B (B D)
INTA - Lösungshinweise zum Übungsblatt 4, Version 1.0α. Wenn sie Fehler finden oder Ihnen etwas auch nach dem Gespräch mit ihren Kommilitonen noch unklar ist, dann schicken sie mir bitte eine Email! Aufgabe
MehrMotivation. Formale Grundlagen der Informatik 1 Kapitel 16. Resolution. Motivation. Beispiel
rundlagen und Motivation Formale rundlagen der Informatik 1 Kapitel 16 Frank Heitmann heitmann@informatik.uni-hamburg.de 31. Mai 2016 Motivation Wir benötigen einen (Un-)Erfüllbarkeitstest für aussagenlogische
MehrBeispiel Aussagenlogik nach Schöning: Logik...
Beispiel Aussagenlogik nach Schöning: Logik... Worin besteht das Geheimnis Ihres langen Lebens? wurde ein 100-jähriger gefragt. Ich halte mich streng an die Diätregeln: Wenn ich kein Bier zu einer Mahlzeit
MehrAussagenlogik: Syntax von Aussagen
Aussagenlogik: Syntax von Aussagen A ::= X (A A) (A A) ( A) (A A) (A A) 0 1 Prioritätsreihenfolge :,,,,. A B: Konjunktion (Verundung). A B: Disjunktion (Veroderung). A B: Implikation. A B: Äquivalenz.
MehrEinführung in die Theoretische Informatik
Einführung in die Theoretische Informatik Woche 4 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 Zusammenfassung Zusammenfassung der letzten LV Modus Ponens A B B A MP Axiome für
MehrDas SAT Problem oder Erfüllbarkeitsproblem. Formale Systeme. Teilklassen. Satz von Cook. SAT Instanz: Eine aussagenlogische Formel F For 0
Das SAT Problem oder Erfüllbarkeitsproblem Formale Systeme Prof. Dr. Bernhard Beckert Fakultät für Informatik Universität Karlsruhe TH SAT Instanz: Eine aussagenlogische Formel F For 0 Frage: Ist F erfüllbar?
MehrLogik für Informatiker
Logik für Informatiker Wintersemester 2007/08 Thomas Schwentick Teil A: Aussagenlogik 3. Erfüllbarkeit Version von: 23. Januar 2008(16:11) Inhalt 3.1 Grundbegriffe 3.2 Aussagenlogische Resolution 3.3 Endlichkeitssatz
MehrErfüllbarkeitstests. Im folgenden: Ein sehr effizienter Erfüllbarkeitstest für eine spezielle Klasse von Formeln in KNF, sogenannte Hornformeln (vgl.
Erfüllbarkeitstests Im folgenden: Ein sehr effizienter Erfüllbarkeitstest für eine spezielle Klasse von Formeln in KNF, sogenannte Hornformeln (vgl. Grundlagen und diskrete Strukturen ) Ein für Formeln
MehrRucksackproblem und Verifizierbarkeit
Rucksackproblem und Verifizierbarkeit Gegeben: n Gegenstände mit Gewichten G={g 1,g 2,,g n } und Werten W={w 1,w 2,,w n } sowie zulässiges Gesamtgewicht g. Gesucht: Teilmenge S {1,,n} mit i i S unter der
MehrKapitel L:II. II. Aussagenlogik
Kapitel L:II II. Aussagenlogik Syntax der Aussagenlogik Semantik der Aussagenlogik Eigenschaften des Folgerungsbegriffs Äquivalenz Formeltransformation Normalformen Bedeutung der Folgerung Erfüllbarkeitsalgorithmen
MehrNormalformen. Aussagenlogik. Aussagenlogik
Literale Normalformen Definition Ein Literal ist eine Aussagenvariable oder die Negation einer Aussagenvariablen. Literale Normalformen Prolog-Programm p03.pl (Anfang) :- op(550,fx,p). %Aussagenvariable
MehrAussagenlogische Kalküle
Aussagenlogische Kalküle Ziel: mit Hilfe von schematischen Regeln sollen alle aus einer Formel logisch folgerbaren Formeln durch (prinzipiell syntaktische) Umformungen abgeleitet werden können. Derartige
MehrZusammenfassung des Stoffes zur Vorlesung Formale Systeme
Zusammenfassung des Stoffes zur Vorlesung Formale Systeme Max Kramer 13. Februar 2009 Diese Zusammenfassung entstand als persönliche Vorbereitung auf die Klausur zur Vorlesung Formale Systeme von Prof.
MehrLogik für Informatiker
Logik für Informatiker 2. Aussagenlogik Teil 3 06.05.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Bis jetzt Syntax (Formeln) Semantik Wertebelegungen/Valuationen/Modelle
MehrTheorie der Informatik. Theorie der Informatik. 2.1 Äquivalenzen. 2.2 Vereinfachte Schreibweise. 2.3 Normalformen. 2.
Theorie der Informatik 24. Februar 2014 2. Aussagenlogik II Theorie der Informatik 2. Aussagenlogik II 2.1 Äquivalenzen Malte Helmert Gabriele Röger 2.2 Vereinfachte Schreibweise Universität Basel 24.
MehrFORMALE SYSTEME. 23. Vorlesung: Logisches Schließen. TU Dresden, 16. Januar Markus Krötzsch Lehrstuhl Wissensbasierte Systeme
FORMALE SYSTEME 23. Vorlesung: Logisches Schließen Markus Krötzsch Lehrstuhl Wissensbasierte Systeme TU Dresden, 16. Januar 2017 Rückblick Markus Krötzsch, 16. Januar 2017 Formale Systeme Folie 2 von 31
MehrMathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript
Mathematik I für Studierende der Geophysik/Ozeanographie, Meteorologie und Physik Vorlesungsskript Janko Latschev Fachbereich Mathematik Universität Hamburg www.math.uni-hamburg.de/home/latschev Hamburg,
MehrAussagenlogik. Übersicht: 1 Teil 1: Syntax und Semantik. 2 Teil 2: Modellierung und Beweise. Aussagenlogik H. Kleine Büning 1/37
Aussagenlogik Übersicht: 1 Teil 1: Syntax und Semantik 2 Teil 2: Modellierung und Beweise Aussagenlogik H. Kleine Büning 1/37 Modellierungsaufgabe Es gibt drei Tauben und zwei Löcher. Jede Taube soll in
MehrBoolesche Algebra (1)
Boolesche Algebra (1) Definition 1: Sei B = Σ 2 = {0,1} das Alphabet mit den Elementen 0 und 1. Seien auf B die 3 Operatoren einer Algebra wie folgt definiert für x,y aus B: x+y := Max(x,y), x y := Min(x,y),
MehrKochrezept für NP-Vollständigkeitsbeweise
Kochrezept für NP-Vollständigkeitsbeweise Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 11. Januar 2010 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
Mehr12. Woche: Verifizierer, nicht-deterministische Turingmaschine, Klasse NP
12 Woche: Verifizierer, nicht-deterministische Turingmaschine, Klasse NP 12 Woche: Verifizierer, nicht-deterministische Turingmaschine, NP 254/ 333 Polynomielle Verifizierer und NP Ḋefinition Polynomieller
MehrDisMod-Repetitorium Tag 1
DisMod-Repetitorium Tag 1 Aussagenlogik, Mengen 19. März 2018 1 Organisatorisches 2 Tipps zur Klausur 3 Aussagenlogik Was gehört in die Aussagenlogik, was nicht? Notationen für viele Terme Belegungen,
MehrKapitel 1.4. Exkurs: Entscheidbarkeit und Komplexität. Mathematische Logik (WS 2012/3) K. 1.4: Entscheidbarkeit und Komplexität 1/10
Kapitel 1.4 Exkurs: Entscheidbarkeit und Komplexität Mathematische Logik (WS 2012/3) K. 1.4: Entscheidbarkeit und Komplexität 1/10 Algorithmen Ein Algorithmus oder eine Rechenvorschrift ist ein effektives
MehrTheorie der Informatik Übersicht. Theorie der Informatik SAT Graphenprobleme Routing-Probleme. 21.
Theorie der Informatik 19. Mai 2014 21. einige NP-vollständige Probleme Theorie der Informatik 21. einige NP-vollständige Probleme 21.1 Übersicht 21.2 Malte Helmert Gabriele Röger 21.3 Graphenprobleme
Mehr14. Die polynomiell beschränkten Komplexitätsklassen. Die Grenzen der tatsächlichen Berechenbarkeit
14. Die polynomiell beschränkten Komplexitätsklassen Die Grenzen der tatsächlichen Berechenbarkeit PRINZIPIELLE VS. TATSÄCHLICHE BERECHENBARKEIT Prinzipielle (theoretische) Berechenbarkeit: Eine Funktion
MehrTheoretische Informatik Kap 1: Formale Sprachen/Automatentheorie
Gliederung der Vorlesung. Grundbegriffe. Formale Sprachen/Automatentheorie.. Grammatiken.2..3. Kontext-freie Sprachen 2. Berechnungstheorie 2.. Berechenbarkeitsmodelle 2.2. Die Churchsche These 2.3. Unentscheidbarkeit
MehrLogische und funktionale Programmierung
Logische und funktionale Programmierung Vorlesung 11: Logikprogramme Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 19. Dezember 2016 1/55 WIEDERHOLUNG: HORN-KLAUSELN
MehrSS Juli Übungen zur Vorlesung Logik Blatt 11
SS 2011 06. Juli 2011 Übungen zur Vorlesung Logik Blatt 11 Prof. Dr. Klaus Madlener Abgabe bis 13. Juli 2011 10:00 Uhr 1. Aufgabe: [Axiomatisierung, Übung] 1. Definieren Sie eine Formel A n der Prädikatenlogik
MehrFakultät für Informatik Universität Magdeburg Jürgen Dassow. Vorbemerkungen
Vorbemerkungen if (x > y) z = x; else z = y; Wenn es blaue Tiger regnet, dann fressen alle Kirschbäume schwarze Tomaten. q(1) = 1, q(i) = q(i 1) + 2i 1 für i 2 Welchen Wert hat q(6)? 24 ist durch 2 teilbar.
MehrNP-Vollständigkeit einiger Zahlprobleme
NP-Vollständigkeit einiger Zahlprobleme Prof. Dr. Berthold Vöcking Lehrstuhl Informatik 1 Algorithmen und Komplexität RWTH Aachen 22. Januar 2010 Berthold Vöcking, Informatik 1 () Vorlesung Berechenbarkeit
MehrEntscheidungsverfahren für Bernays/Schönfinkelbzw. Datenlogik-Formeln
Vorlesung Letz WS 2002/2003 TU München: Logikbasierte Entscheidungsverfahren Entscheidungsverfahren für Bernays/Schönfinkelbzw. Datenlogik-Formeln INHALTE Die Bernays-Schönfinkel-Klasse bzw. Datenlogik-Formeln
MehrErsetzbarkeitstheorem
Ersetzbarkeitstheorem Die Abgeschlossenheit läßt sich auch folgendermaßen formulieren: Ersetzbarkeitstheorem Seien F und G Formeln mit F G. SeienH und H Formeln, so daß H aus H hervorgeht, indem ein Vorkommen
MehrEinführung in die Logik (Vorkurs)
Einführung in die Logik (Vorkurs) Jürgen Koslowski 2014-04-07 Ein Beispiel Familie A will im kommenden Jahr eine Waschmaschine, ein Auto und ein Moped anschaffen. Aber falls Herr A seinen üblichen Bonus
MehrMinimalpolynome und Implikanten
Kapitel 3 Minimalpolynome und Implikanten Wir haben bisher gezeigt, daß jede Boolesche Funktion durch einfache Grundfunktionen dargestellt werden kann. Dabei können jedoch sehr lange Ausdrücke enstehen,
MehrKlausur zur Vorlesung Mathematische Logik
Universität Heidelberg 25. Januar 2012 Institut für Informatik Prof. Dr. Klaus Ambos-Spies Dipl.-Math. Thorsten Kräling Klausur zur Vorlesung Mathematische Logik LÖSUNGEN Aufgabe 1 (Aussagenlogik - 8 Punkte)
MehrTheoretische Grundlagen der Informatik
Theoretische Grundlagen der Informatik Map Labeling INSTITUT FÜR THEORETISCHE INFORMATIK 0 KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu
MehrFORMALE SYSTEME. 10. Januar Aussagenlogik. Logische Schlussfolgerung. Happy 80th Birthday, Don Knuth!
10. Januar 2018 FORMALE SYSTEME 22. Vorlesung: Äquivalenzen und Normalformen Markus Krötzsch Professur für Wissensbasierte Systeme TU Dresden, 11. Januar 2018 Happy 80th Birthday, Don Knuth! If you find
Mehr1 Aussagenlogischer Kalkül
1 Aussagenlogischer Kalkül Ein Kalkül in der Aussagenlogik soll die Wahrheit oder Algemeingültigkeit von Aussageformen allein auf syntaktischer Ebene zeigen. Die Wahrheit soll durch Umformung von Formeln
MehrAnalysis 2, Woche 6. Grundbegriffe I. 6.1 Topologische Begriffe
A1 Analysis 2, Woche 6 Grundbegriffe I A2 6.1 Topologische Begriffe Wenn man offene Teilmengen von R betrachtet, landet man meistens bald bei Intervallen. Das Intervall (a, b) = R; a < < b} mit a, b R
MehrMusterlösung 11.Übung Mathematische Logik
Lehr- und Forschungsgebiet Mathematische Grundlagen der Informatik RWTH Aachen Prof. Dr. E. Grädel, F. Reinhardt SS 2015 Aufgabe 2 Musterlösung 11.Übung Mathematische Logik Geben Sie für die folgenden
Mehr( ) ( ) < b k, 1 k n} (2) < x k
Technische Universität Dortmund Fakultät für Mathematik Proseminar Analysis Prof. Dr. Röger Benjamin Czyszczon Satz von Heine Borel Gliederung 1. Zellen und offene Überdeckungen 2. Satz von Heine Borel
MehrKonjunktive Normalform
Konjunktive Normalform Eine Formel α in konjunktiver Normalform hat die Form α k 1 k 2... k r. Die Klauseln k 1,..., k r sind Disjunktionen von Literalen, also Disjunktionen von Variablen oder negierten
MehrAussagenlogik Prädikatenlogik erster Stufe. Logik. Logik
Grundzeichen Aussagenlogik Aussagenvariablen P, Q, R,... Junktoren nicht und oder Runde Klammern (, ) Formeln Aussagenlogik Formeln sind spezielle Zeichenreihen aus Grundzeichen, und zwar 1 Jede Aussagenvariable
MehrLogik Vorlesung 4: Horn-Logik und Kompaktheit
Logik Vorlesung 4: Horn-Logik und Kompaktheit Andreas Maletti 14. November 2014 Überblick Inhalt 1 Motivation und mathematische Grundlagen 2 Aussagenlogik Syntax und Semantik Äquivalenz und Normalformen
MehrKlausur zur Vorlesung Mathematische Logik
Universität Heidelberg 13. Februar 2014 Institut für Informatik Prof. Dr. Klaus Ambos-Spies Dipl.-Math. Thorsten Kräling Klausur zur Vorlesung Mathematische Logik Musterlösung Aufgabe 1 (Aussagenlogik
Mehr