Übersicht. Universelle Ontologien. Elemente der universellen Ontologie. Aspekte der universellen Ontologie. Maße. Repräsentation von Kategorien
|
|
- Jasper Ritter
- vor 6 Jahren
- Abrufe
Transkript
1 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 Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen VII Kommunizieren, Wahrnehmen und Handeln Universelle Ontologien in den bisherigen Beispielen wurden viele einschränkende Annahmen gemacht: (1) Ontologie für Schaltkreise: keine Zeit, keine zeitabhängige Propagierung von Signalen, unveränderliche Schaltkreisstruktur, wenig Gatterklassen, keine zufälligen Kapazitäten,... (2) Ontologie für WUMPUS-Welt: einfaches Zeitkonzept: nur der Agent handelt, nur je eine Sorte von Fallen und nur ein WUMPUS und ein Agent,... Gibt es eine universelle Ontologie, die sich für alle speziellen Zwecke eignet? - Vielleicht! Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 1 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 2 Aspekte der universellen Ontologie Elemente der universellen Ontologie Kategorien, oft organisiert in taxonomische Hierarchien Maße Zusammengesetzte Objekte Substanzen und Objekte Zeit, Raum und Änderungen Mentale Objekte und Meinungen Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 3 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 4 Repräsentation von Kategorien Repräsentation - mit einstelligen Prädikaten z.b. Tomate (x) - oder durch Objekte (reification): x Tomaten Kategorien haben Eigenschaften, - für die Kategorie selbst z.b. Anzahl (Menschen) = 6* für die Instanzen z.b. x x Tomaten Rot (x) Rund (x) Vererbung von Eigenschaften in Taxonomie und Klassifikation: - Tomaten Gemüse Essbare_Dinge - x x Gemüse Rot (x) Rund (x) Klein (x) x Tomate disjunkte Werte: z.b. Männer und Frauen - erschöpfende Zerlegung: z.b. für Nordamerikaner: Amerikaner, Kanadier, Mexikaner - Partition: disjunkte erschöpfende Zerlegung, z.b. für Dinge: eßbar, nicht-eßbar. Kategorien können durch notwendige und hinreichende Bedingungen definiert werden. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 5 Maße Maße: gewöhnlich ausgedrückt mit Zahlen und Einheiten. Arithmetik aber: Viele Dinge lassen sich schwer messen, z.b. Geschmack, Schönheit, Schwierigkeiten,... Alternative: Rangfolgen: A besser als B besser als C. Qualitatives Schließen Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 6
2 Zusammengesetzte Objekte (Taxonomische Hierarchie von Kategorien: Sportwagen Auto Fahrzeug) Teilehierarchie (PartOf): Motor ist Teil vom Auto: PartOf (Motor, Auto) Karosserie ist Teil vom Auto: PartOf (Karosserie, Auto) Zündkerzen sind Teil vom Motor: PartOf (Zündkerzen, Motor) Aus Transitivität von PartOf kann hergeleitet werden: PartOf (Zündkerzen, Auto) Substanzen und Objekte (1) Bei Substanzen wie z.b. Butter ist jeder Teil der Butter auch Butter, während bei Objekten wie Äpfeln ein Teil des Apfels kein Apfel mehr ist (sondern z.b. nur ein halber Apfel). Linguisten unterscheiden entsprechend zwischen "Zähl- Substantiven" und "Masse-Substantiven". Wenn man statt Butter "Ein_Pfund_Butter" sagt, dann meint man keine Substanz, sondern ein nichtteilbares Objekt. Weitere Herleitungen möglich, z.b.: Das Gewicht des Autos berechnet sich aus der Summe der Gewichte seiner Teile. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 7 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 8 Substanzen und Objekte (2) Objekte haben - intrinsische Eigenschaften, die sie an ihre Teile vererben, - extrinsische Eigenschaften, die sie auszeichnen. Beispiel: Bodensee 1. gehört zur Substanz-Klasse Gewässer mit intrinsischen Eigenschaften wie: man kann darin schwimmen, kann zufrieren usw. 2. gehört zur Objekt-Klasse See mit extrinsischen Eigenschaften wie Größe usw. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 9 Repräsentation zeitlicher Änderungen Ein einfacher Reflex-Agent ohne Gedächtnis ist zwar möglich, aber hat es schwer in der WUMPUS-Welt, da er z.b. nicht kombinieren kann. Wenn er seine Wahrnehmungssequenz speichert, kann er daraus zwar prinzipiell alle Informationen extrahieren, aber das dauert möglicherweise sehr lange. Eine Variante davon ist der Situationskalkül, indem jede Situation, in der der Agent sich befand, abgespeichert wird. Die Situationen sind durch Aktionen des Agenten miteinander verbunden. Eleganter ist es, wenn der Agent einen internen Zustand aufbaut, in dem das für ihn relevante leicht zugänglich ist, ohne daß er sich die Historie explizit merken muß. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 10 Beispiel für Situationskalkül Beschreibung von Aktionen im Situationskalkül Effekt-Axiome geben an, was sich von einem Zustand zum anderen ändert. Frame-Axiome geben, was von einem Zustand zum anderen gleich bleibt. Repräsentationelles Frame-Problem (viele Frame-Axiome) kann vermieden werden, indem Effekt- und Frame-Axiome zu Nachfolge-Zustand-Axiome kombiniert werden: Etwas ist genau dann wahr, wenn es durch die Aktion wahr gemacht wird oder es bereits wahr war und durch die Aktion nicht falsch gemacht wurde. Dabei müssen alle kritischen Aktionen aufgezählt werden. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 11 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 12
3 Beispiele für Axiome im Situationskalkül Effekt-Axiome Frame-Axiome Nachfolge-Zustand-Axiome Probleme mit dem Situationskalkül Inferentielles Frame-Problem: Viele Inferenzen über Eigenschaften, die sich nicht ändern. Qualitifikations-Problem: Es ist aufwendig, alle Bedingungen zu beschreiben, die für eine erfolgreiche Aktion notwendig sind. Ramifikations-Problem: Es ist aufwendig, alle impliziten Konsequenzen einer Aktion herzuleiten. Nur lösbar mit Spezialproblemlösern; Weitere Probleme: kontinuierlichen Änderungen (z.b. Wachsen eines Lebewesens) Aktionen mehrerer Agenten Umwelt ändert sich ohne Zutun des Agenten Alternative: Ereigniskalkül Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 13 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 14 Ereigniskalkül Ereignisse haben eine zeitliche und räumliche Dimension Ereignisse können Unterereignisse haben: Bsp.: Schlacht von England ist Teil von 2. Weltkrieg Lokalisationen kann man als Ereignisse ohne zeitliche Dimension auffassen. Kategorisierung von Ereignissen: Bsp.: 2. Weltkrieg in Kategorie Krieg Aktionen wie (Gehe [1,1], [1,2]) sind Kategorien von Ereignissen Prozesse sind "zeitliche Substanzen", d.h. Ereignisse, deren Teilintervalle zum gleichen Ereignis gehören, z.b. "Flug (Otto)" aber nicht "Flug (Otto, A, B)" Repräsentation von Zeit Die Basis sind Zeitintervalle (mit Start- und Endpunkt). Ein Moment ist ein Intervall der Dauer 0. Die grundlegenden qualitativen Relationen zwischen Intervallen ergeben sich daraus, wie ihre Start- und Endpunkte zueinander liegen, z.b. i,j Meet (i,j) Time (end (i)) = Time (start (j)) Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 15 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 16 Prädikate über Zeitintervallen Zusätzliche Prädikate im Zeitkalkül von Allen: starts (i,j); ends (i,j): Mentale Ereignisse und Objekte Problem: Man will im Supermarkt Kerzen kaufen, hat auch einen Plan: dahin gehen, wo die Kerzen sind, sie in den Einkaufswagen legen, und an der Kasse bezahlen; aber weiß nicht, wo die Kerzen sind. Das Problem kann gelöst werden, indem man jemanden fragt, der den Standort der Kerzen kennt. Dazu muß man ein Modell des Wissens anderer Personen haben (z.b. das Verkäufer eher den Standort der Kerzen kennen als andere Kunden). Der Agent glaubt oder weiß, daß ein anderer Agent etwas weiß, z.b. wo es Kerzen gibt. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 17 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 18
4 Formalisierung mentaler Ereignisse und Objekte Wir brauchen Prädikate wie: Believes (Agent x) Knows (Agent x) Wants (Agent x) bzw. bzw. Problem: In PK1 darf das x kein Satz wie "Platz (Kerzen, 1. Gang)" sein. Lösung: Betrachte das x als eine Art Funktion. Problem: wie kann man daraus vernünftige Schlußfolgerungen herleiten, z.b. dass zwei Funktionen dasselbe Objekt meinen ("referentielle Transparenz"). Lösung: Syntaktische Theorie mentaler Objekte Mentale Objekte werden als Strings einer Repräsentationssprache (z.b. Prädikatenlogik) repräsentiert. Für diese Strings wird eine Syntax, Semantik und Beweistheorie mithilfe der Prädikatenlogik 1. Stufe formuliert. Beispiel: Funktionen zur Nachbildung der Regeln der Prädikatenlogik wie Modus Ponens: a,p,q LogicalAgent (a) Believes (a,p) Believes (a, Concat (p, " ", q) Believes (a,q) Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 19 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 20 Formulierung, was ein Agent weiß a) Logische Allwissenheit, d.h. unbegrenzte logische Deduktionsfähigkeit (unrealistisch) b) Explizite Formalisierung, was ein Agent schlussfolgern kann (schwierig) Inferenzsysteme für Kategorien Kernelement von Wissensrepräsentationssystemen Zwei Systemfamilien: Semantische Netze: Grafische Darstellung + effiziente Algorithmen für Herleitung von Eigenschaften von Objekten basierend auf Kategoriezugehörigkeit (Vererbung) Beschreibungslogik: Formale Sprache für Konstruktion und Kombination von Kategorie-Definitionen und effiziente Algorithmen für Teilmengen-Beziehungen zwischen Kategorien Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 21 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 22 Semantische Netze Grafische Wissensnotationen wurden schon Ende des 19. Jahrhunderts als "Logik der Zukunft" propagiert. Auf semantischer Ebene besteht aber kein grundlegender Unterschied zur PK1 Kernmechanismen: - Vererbung entlang von Kanten mit Default-Werten - Zugeordnete Prozeduren möglich, um die Beschränkungen in der Ausdrucksstärke zu kompensieren. Vorteile grafischer Notationen: - bessere Lesbarkeit für Menschen. - durch Vereinfachungen in der Ausdrucksstärke wird Inferenzprozess effizienter und transparenter (z.b. Verfolgen von Kanten im Netz) Nachteile: - oft unklare Semantik der Graphen (z.b. bei multipler Vererbung); Klärung nur im Programmcode. - Effizienzprobleme aufgrund von Nicht-Monotonie wegen Defaults. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 23 Umsetzung semantischer Netze in PK1 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 24
5 Relationstypen in semantischen Netzen Bsp.: Relationstypen in semantischen Netzen Doppelkästchen deuten Beziehungen zwischen allen Objekten von Kategorien an. Kästchen deuten Eigenschaften für alle Objekte einer Kategorie an. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 25 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 26 Umwandlung n-ärer in binäre Relationen Problem der Mehrfachvererbung Technik: Reifikation von Kanten, d.h. Umwandlung in Objekte Beispiel: Fly (Shankar, NewYork, NewDehli, Yesterday) Grenzen der Ausdrucksstärke: Negationen, Diskunktionen, Funktionen, Existenzquantoren Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 27 Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 28 Beschreibungslogiken (Terminologische Logiken) Ziel: Definition von Kategorien, so dass aufgrund der Eigenschaften einer Kategorie bzw. eines Objektes dessen Zugehörigkeit zu einer Kategorie ermittelt werden kann (Subsumption bzw. Klassifikation). Bsp1 (Junggeselle): And (Unverheiratet, Erwachsener, Männlich) Bsp2 (Mann mit mindestens drei arbeitslosen und mit einem Doktor verheirateten Söhnen und zwei Töchtern, die Professor in Chemie oder Physik sind): And (Mann, AtLeast (3 Sohn), Atleast (2 Tochter) (All (Sohn, And (Arbeitslos, Verheiratet, All (Partner Doktor))) (All (Tochter, And (Professor, Fills (Fach, Physik, Chemie)))) Effizienzfrage: Wie aufwendig ist Subsumption in Abhängigkeit der Ausdrucksstärke der Sprache? Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 29 Sprache für Beschreibungslogik in CLASSIC Effizient interpretierbaren Beschreibungslogiken fehlen meist Operatoren für Negation und Disjunktion (z.b. Or oder Some ; Fills & OneOf erlauben Disjunktion nur für explizit aufgezählte Individuen). Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 30
6 Schließen mit Default-Informationen Alle Vögel können fliegen außer Pinguine, Strauße, Closed World Assumption & Unique Name Assumption Beispiel: Vorlesungen im Informatik-Grundstudium: 10501, 10503, 10601, 10603, Wie viele Vorlesungen werden angeboten? Normale Antwort: 5 Logikantwort: 1 - Wir gehen davon aus, dass die Liste der Vorlesungen vollständig (CWA) und unterschiedlich (UNA) ist. CWA macht Datenbank vollständig, d.h. alle Fragen beantwortbar. Kann man in Logik nachbilden, ist aber aus Effizienzgründen z.b. in Prolog in Inferenzmechanismus eingebaut Negation as Failure: Was man nicht herleiten kann, gilt auch nicht (Verallgemeinerung der CWA) Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 31 Bedeutung von Default-Informationen Erweiterungen von PK1 erforderlich: Nichtmonotone Logiken Zwei bekannte Ansätze: Circumscription: Verbesserung der CWA: Beispiel: Vogel (x) Abnorm 1 (x) KannFliegen (x) Wenn Vogel (Tweety) gilt und Abnorm 1 (Tweety) nicht bewiesen werden kann, dann ist KannFliegen (Tweety) herleitbar. Modell-Präferenz-Logik: Sätze die mit Default-Regeln hergeleitet wurden, sind wahr in allen bevorzugten Modellen der WB im Gegensatz zu allen Modellen in der klassischen Logik Problem: Mehrfachvererbung (s.o. der Pinguin Opus quakt oder spricht): ergibt zwei bevorzugte Modelle, die gewichtet werden können, aber nicht müssen. Default Logik Beispiel: Vogel (x) : KannFliegen (x) / KannFliegen (x) Aus Vogel (Tweety) ist KannFliegen (Tweety) herleitbar, wenn es konsistent mit der WB ist. Default-Regeln implizieren Extensionen der WB, d.h.maximal herleitbare Konsequenzen (bei Mehrfachvererbung mehrere Extensionen) Hauptproblem: Kein Abwägen wie bei Wahrscheinlichkeitstheorie Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 32 Belief Revision (1) Effiziente Implementierung von Nicht-Monotonem Schließen, z.b. wegen Speicherbereinigung (Vergessen) Änderungen in der Welt Änderungen bei Default-Annahmen Korrektur von Fehlinformationen Problem: Gewährleistung der Konsistenz der Datenbasis, da aus geänderten Aussagen andere Aussagen hergeleitet sein können. Lösung: Truth-Maintenance-Systeme (TMS) Vier Varianten: 1. Backtracking mit kompletter Neuberechnung 2. Chronologisches Backtracking: Ziehe alle Schlussfolgerungen bis zu dem Punkt zurück, wo die geänderte Aussage das erste Mal benutzt wurde. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 33 Belief Revision (2) 2. Justification-Based TMS (JTMS): Speichere zu jeder Schlussfolgerung die direkten Gründe (justifications) für ihre Herleitung. Wenn ein Grund ungültig wird, dann überprüfe, ob für die betroffene Schlußfolgerung noch andere Gründe zutreffen. Wenn nicht, ziehe sie zurück und überprüfe rekursiv die Auswirkungen. Problem: zirkuläre Gründe. Lösung: Unterscheidung in "sichere" und "unsichere" Gründe. 3. Assumption-Based TMS (ATMS): Speichere zu jeder Schlussfolgerung die Basisannahmen (Assumptions), die zu ihrer Herleitung geführt haben. Wenn sich etwas ändert, überprüfe anhand ihrer Basisannahmen, ob eine Schlussfolgerung immer noch gilt. Vorteile gegenüber JTMS: Kein Problem mit Zyklen, Behandlung multipler Zustände möglich. Nachteile: Skalierungsproblem, Behandlung von unsicherem Wissen. Künstliche Intelligenz: 10. Wissensrepräsentation Frank Puppe 34
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
MehrÜbersicht. 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
MehrÜbersicht. 10. Logische Inferenzsysteme
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
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
MehrMotivation und Geschichte. Geschichte der Logik Logik und Informatik
Motivation und Geschichte Geschichte der Logik Logik und Informatik Logik für Informatiker, M. Lange, IFI/LMU: Motivation und Geschichte Geschichte der Logik 12 Aufgaben der Logik Logik (aus Griechischem)
Mehr4 Spezielle Schlussverfahren
4 Spezielle Schlussverfahren 11. Vorlesung: Probabilistisches Schließen; Nichtmonotones Schließen Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2011/2012 Unsicherheit, Unvollständigkeit 4. Wie
MehrFragen zum Nachdenken: Wie könnte man das Fehlen eines Attribut-Wertes interpretieren?
Attribut-Werte-Paare Eine Eigenschaft kann beschrieben werden durch ein Paar [a,w]. Dabei bezeichnet a das Attribut und w den konkreten Wert aus dem Wertebereich W a des Attributs. Die Eigenschaften eines
MehrMotivation und Geschichte. Geschichte der Logik Logik und Informatik
Motivation und Geschichte Geschichte der Logik Logik und Informatik Theoretische Informatik: Logik, M. Lange, FB16, Uni Kassel: 2.1 Motivation und Geschichte Geschichte der Logik 13 Aufgaben der Logik
MehrInformatik 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
MehrKlassische Logik ist monoton: mehr Prämissen haben nie weniger Folgerungen Sei Th(T) = {p T = p}
Nichtmonotones Schließen: Motivation 1. Beschreibung typischer Zusammenhänge Klassische Logik ist monoton: mehr Prämissen haben nie weniger Folgerungen Sei Th(T) = {p T = p} T 1 T 2 impliziert Th(T 1 )
MehrHochschule 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
MehrDeduktion in der Aussagenlogik
Deduktion in der Aussagenlogik Menge von Ausdrücken der Aussagenlogik beschreibt einen bestimmten Sachverhalt, eine "Theorie" des Anwendungsbereiches. Was folgt logisch aus dieser Theorie? Deduktion: aus
Mehr(Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01, sowie von Andreas Abecker/Knut Hinkelmann)
Kapitel 9: Frames (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01, sowie von Andreas Abecker/Knut Hinkelmann) Künstliche Intelligenz, Kapitel 9 Frames
MehrSemantische Netze Psychologische Plausibilität
Conceptual Graphs Knoten repräsentieren Konzepte oder konzeptuelle Relationen; Kanten haben keine Labels n-stellige konzeptuelle Relation repräsentiert als Knoten mit n Kanten Mächtigkeit der PL1; aber
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
Mehr5. Beschreibungslogiken und Web-Ontologien. Eigenschaften von Beschreibungslogiken. Das Grundvokabular besteht aus
5. Beschreibungslogik und Web-Ontologien Einführung in Beschreibungslogiken 5. Beschreibungslogiken und Web-Ontologien 5. Beschreibungslogik und Web-Ontologien Einführung in Beschreibungslogiken Das Grundvokabular
MehrDeduktion in der Aussagenlogik. Semantische Folgerungsbeziehung. Zusammenhang zwischen semantischer und syntaktischer Folgerung
Deduktion in der Aussagenlogik Menge von Ausdrücken der Aussagenlogik beschreibt einen bestimmten Sachverhalt, eine "Theorie" des Anwendungsbereiches Was folgt logisch aus dieser Theorie? Deduktion: aus
MehrTHEORETISCHE INFORMATIK UND LOGIK
Rückblick: Logelei Wir kehren zurück auf das Inselreich mit Menschen von Typ W (Wahrheitssager) und Typ L (Lügner). THEORETISCHE INFORMATIK UND LOGIK 14. Vorlesung: Modelltheorie und logisches Schließen
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,
MehrKlassische Aussagenlogik
Eine Einführung in die Logik Schon seit Jahrhunderten beschäftigen sich Menschen mit Logik. Die alten Griechen und nach ihnen mittelalterliche Gelehrte versuchten, Listen mit Regeln zu entwickeln, welche
Mehr1. Der Begriff Informatik 2. Syntax und Semantik von Programmiersprachen - 1 -
1. Der Begriff Informatik 2. Syntax und Semantik von Programmiersprachen I.2. I.2. Grundlagen von von Programmiersprachen. - 1 - 1. Der Begriff Informatik "Informatik" = Kunstwort aus Information und Mathematik
Mehr1. Der Begriff Informatik 2. Syntax und Semantik von Programmiersprachen - 1 -
1. Der Begriff Informatik 2. Syntax und Semantik von Programmiersprachen I.2. I.2. Grundlagen von von Programmiersprachen. - 1 - 1. Der Begriff Informatik "Informatik" = Kunstwort aus Information und Mathematik
MehrBeschreibungslogik Kapitel 7: ABoxen und Anfragebeantwortung
Beschreibungslogik Kapitel 7: ABoxen und Anfragebeantwortung Sommersemester 2017 Thomas Schneider AG Theorie der künstlichen Intelligenz (TdKI) http://tinyurl.com/ss17-bl Beschreibungslogik SoSe 2017 7
MehrÜbersicht. 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
MehrWissensbasierte Systeme. Inhalt Logikbasierte Agenten. Zeit, Raum & der ganze Rest. Michael Beetz Technische Universität München
Zeit, Raum & der ganze Rest Michael Beetz Technische Universität München Wintersemester 2004/05 Inhalt 8.1.1. Logikbasierte Agenten 8.1 Logische Agenten für die WUMPUS-Welt 8.2 Situationskalkül 8.3 Das
MehrEinführung in die Wissensrepräsentation
Einführung in die Wissensrepräsentation Netzartige und schema-basierte Repräsentationsformate Von Dr. rer. soc. Ulrich Reimer Universität Konstanz > B.G.Teubner Stuttgart 1991 Inhaltsverzeichnis 1 Einleitung
MehrGeschichte der Logik ist eng verknüpft mit (Sprach-) Philosophie. Logik untersucht, wie aus wahren Aussagen andere wahre Aussagen folgen
Was ist Logik? Geschichte der Logik ist eng verknüpft mit (Sprach-) Philosophie Logik untersucht, wie aus wahren Aussagen andere wahre Aussagen folgen Beschränkung auf "Aussage A folgt nach einer gegebenen
MehrKünstliche Intelligenz
Künstliche Intelligenz Logische Agenten Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 02. November 2011 Logische Agenten Wissensbasierte Agenten Eine Modellwelt Aussagen Logik
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
Mehr1. Grundlagen. Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen
1. Grundlagen Gliederung 1.1 Was ist Analysis? 1.2 Aussagen und Mengen 1.3 Natürliche Zahlen 1.4 Ganze Zahlen, rationale Zahlen Peter Buchholz 2016 MafI 2 Grundlagen 7 1.1 Was ist Analysis? Analysis ist
Mehr1. Grundlagen. 1.1 Was ist Analysis? 1.2 Aussagen und Mengen
. Grundlagen Gliederung. Was ist Analysis?.2 Aussagen und Mengen.3 Natürliche Zahlen.4 Ganze Zahlen, rationale Zahlen. Was ist Analysis? Analysis ist neben der linearen Algebra ein Grundpfeiler der Mathematik!
Mehr1. Einführung in Temporallogik CTL
1. Einführung in Temporallogik CTL Temporallogik dient dazu, Aussagen über Abläufe über die Zeit auszudrücken und zu beweisen. Zeit wird in den hier zunächst behandelten Logiken als diskret angenommen
Mehr3.Inferenzsysteme 3.4 Logische Programme und Antwortmengensemantik
Darstellung, Verarbeitung und Erwerb von Wissen 3.Inferenzsysteme 3.4 Logische Programme und Antwortmengensemantik DVEW WS 2004/05 c Gabriele Kern-Isberner 1 Stratifizierte Programme (Whlg.) Sei P ein
MehrBeschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de
Beschreibungslogiken Daniel Schradick 1schradi@informatik.uni-hamburg.de Was sind Beschreibungslogiken? Definition: Formalisms that represent knowledge of some problem domain (the world ) by first defining
MehrSeminararbeit 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)
MehrEinführung 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
MehrTHEORETISCHE INFORMATIK UND LOGIK
THEORETISCHE INFORMATIK UND LOGIK 14. Vorlesung: Modelltheorie und logisches Schließen Markus Krötzsch Lehrstuhl Wissensbasierte Systeme TU Dresden, 31. Mai 2017 Rückblick: Logelei Wir kehren zurück auf
MehrKapitel L:IV. IV. Nichtklassische Logiken. Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung
Kapitel L:IV IV. Nichtklassische Logiken Fuzzy-Mengen Modifizierer für Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung L:IV-45 Nonclassical Logics LETTMANN/STEIN 1998-2013 Aussagenlogik
MehrKünstliche 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
Mehr4 Spezielle Schlußverfahren
Universität Bielefeld Unsicherheit, Unvollständigkeit 4. Wie lassen sich auch bei unsicherem unvollständigem Wissen Schlüsse ziehen? 4 Spezielle Schlußverfahren 11. Vorlesung: Probabilistisches Schließen;
Mehr1 Aussagenlogik. 1.1 Aussagen. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage) Aussage = Behauptung Beispiele: Es regnet.
Grundlagen der Mathematik für Informatiker 1 1 Aussagenlogik 1.1 Aussagen Aussage = Behauptung Beispiele: Es regnet. Die Straße ist naß. 15 ist eine Primzahl. 3 < 8 x < 15 (hängt von x ab, keine Aussage)
MehrHilbert-Kalkül (Einführung)
Hilbert-Kalkül (Einführung) Es gibt viele verschiedene Kalküle, mit denen sich durch syntaktische Umformungen zeigen läßt, ob eine Formel gültig bzw. unerfüllbar ist. Zwei Gruppen von Kalkülen: Kalküle
MehrSudoku. Warum 6? Warum 6?
. / Sudoku Füllen Sie die leeren Felder so aus, dass in jeder Zeile, in jeder Spalte und in jedem x Kästchen alle Zahlen von bis stehen.. / Warum?. / Warum?. / Geschichte der Logik Syllogismen (I) Beginn
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
MehrJeder Aussage p kann ein Wahrheitswert W(p) {0, 1} zugeordnet werden. Beispiele: W(Es regnet.) =? (je nach Lage der Dinge) W(Die Straße ist naß.) =?
Grundlagen der Mathematik für Informatiker 1 Grundlagen der Mathematik für Informatiker 2 1 Aussagenlogik 1.1 Aussagen Aussage = Behauptung Beispiele: Es regnet. Die Straße ist naß. 15 ist eine Primzahl.
MehrGrundlagen der Theoretischen Informatik
FH Wedel Prof. Dr. Sebastian Iwanowski GTI22 Folie 1 Grundlagen der Theoretischen Informatik Sebastian Iwanowski FH Wedel Kap. 2: Logik, Teil 2.2: Prädikatenlogik FH Wedel Prof. Dr. Sebastian Iwanowski
MehrAnswer Set Programming
Answer Set Programming mit Answer Set Prolog (A-Prolog) Wangler Thomas Logikprogrammierung Institut für Computerlinguistik Universität Heidelberg Inhaltsverzeichnis Inhaltsverzeichnis Inhaltsverzeichnis
MehrKapitel 8: Semantische Netze
Kapitel 8: Semantische Netze Teil 1 (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01) Künstliche Intelligenz, Kapitel 8 Semantische Netze 1 Begriffe und
MehrWas ist Logik? Was ist Logik? Logische Konnektoren. Aussagenlogik. Logik stellt Sprachen zur Darstellung von Wissen zur Verfügung
Was ist Logik? Geschichte der Logik ist eng verknüpft mit (Sprach-) Philosophie Logik untersucht, wie aus wahren Aussagen andere wahre Aussagen folgen Beschränkung auf "Aussage A folgt nach einer gegebenen
MehrGeschichte der Logik ist eng verknüpft mit (Sprach-) Philosophie. Logik untersucht, wie aus wahren Aussagen andere wahre Aussagen folgen
Was ist Logik? Geschichte der Logik ist eng verknüpft mit (Sprach-) Philosophie Logik untersucht, wie aus wahren Aussagen andere wahre Aussagen folgen Beschränkung auf "Aussage A folgt nach einer gegebenen
Mehr1. Grundlegende Konzepte der Informatik
1. Grundlegende Konzepte der Informatik Inhalt Algorithmen Darstellung von Algorithmen mit Programmablaufplänen Beispiele für Algorithmen Aussagenlogik Zahlensysteme Kodierung Peter Sobe 1 Aussagenlogik
Mehr4. Alternative Temporallogiken
4. Alternative Temporallogiken Benutzung unterschiedlicher Temporallogiken entsprechend den verschiedenen Zeitbegriffen LTL: Linear Time Logic Ähnlich der CTL, aber jetzt einem linearen Zeitbegriff entspechend
Mehr2.3 Deduktiver Aufbau der Aussagenlogik
2.3 Deduktiver Aufbau der Aussagenlogik Dieser Abschnitt beschäftigt sich mit einem axiomatischen Aufbau der Aussagenlogik mittels eines Deduktiven Systems oder eines Kalküls. Eine syntaktisch korrekte
MehrLogik und Beweismethoden I
Logik und Beweismethoden I Anita Ullrich WS2017/18 Inhaltsverzeichnis 1 Klassische Aussagenlogik 2 1.1 Aussagen und Wahrheitswerte.................................... 2 1.2 Operatoren..............................................
MehrDer Hilbert-Kalkül für die Aussagenlogik (Notizen zur Vorlesung Logik im Wintersemester 2003/04 an der Universität Stuttgart)
Der Hilbert-Kalkül für die Aussagenlogik (Notizen zur Vorlesung Logik im Wintersemester 2003/04 an der Universität Stuttgart) Javier Esparza und Barbara König 4. Dezember 2003 Für eine gegebene aussagenlogische
Mehr4.1 Motivation. Theorie der Informatik. Theorie der Informatik. 4.1 Motivation. 4.2 Syntax der Prädikatenlogik. 4.3 Semantik der Prädikatenlogik
Theorie der Informatik 3. März 2014 4. Prädikatenlogik I Theorie der Informatik 4. Prädikatenlogik I 4.1 Motivation Malte Helmert Gabriele Röger 4.2 Syntax der Prädikatenlogik Universität Basel 3. März
MehrVerzerrung bei räumlichen Urteilen. 16. November 2010
Verzerrung bei räumlichen Urteilen Teil 1 16. November 2010 Repräsentationen (Wissens-) Repräsentation Wissen: Speicherung, Integration und Organisation von Informationen im Gedächtnis Repräsentation:
MehrModellierungsbeispiel Geräte
Was bisher geschah Modellierung von Aussagen in (klassischer) Aussagenlogik Syntax: Aussagenvariablen sind Atome Junktoren,,,, induktive Definition: Baumstruktur der Formeln strukturelle Induktion äquivalente
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
MehrEigenschaften der SLD-Resolution
Eigenschaften der SLD-Resolution Vollständigkeit der SLD-Resolution für Hornklauseln Sei F eine inkonsistente Hornklauselmenge. Dann gibt es eine SLD-Widerlegung von F. Beweisskizze: Für inkonsistentes
MehrBayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (1) 1 / 22 Gliederung 1 Unsicheres Wissen 2 Schließen
MehrGeschichte der Logik ist eng verknüpft mit (Sprach-) Philosophie. Begriff Logik wird im Alltag vielseitig verwendet
Was ist Logik? Geschichte der Logik ist eng verknüpft mit (Sprach-) Philosophie Begriff Logik wird im Alltag vielseitig verwendet Logik untersucht, wie aus wahren Aussagen andere wahre Aussagen folgen
MehrWas ist Logik? Was ist Logik? Logische Konnektoren. Aussagenlogik. Geschichte der Logik ist eng verknüpft mit (Sprach-) Philosophie
Was ist Logik? Geschichte der Logik ist eng verknüpft mit (Sprach-) Philosophie Begriff Logik wird im Alltag vielseitig verwendet Logik untersucht, wie aus wahren Aussagen andere wahre Aussagen folgen
MehrWissensbasierte Systeme
WBS7 Slide 1 Wissensbasierte Systeme Vorlesung 7 vom 01.12.2004 Sebastian Iwanowski FH Wedel WBS7 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
MehrLogik Vorlesung 2: Semantik der Aussagenlogik
Logik Vorlesung 2: Semantik der Aussagenlogik Andreas Maletti 24. Oktober 2014 Überblick Inhalt 1 Motivation und mathematische Grundlagen 2 Aussagenlogik Syntax und Semantik Äquivalenz und Normalformen
MehrAufgabe 1 (Allgemeines)
Klausur... Einführung in die Künstliche Intelligenz 1SS08 Aufgabe 1 (Allgemeines) (4 Punkte) a) In der Künstlichen Intelligenz unterscheidet man symbolische und subsymbolische Verfahren. Beschreibe diese
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
MehrDiskrete Strukturen. Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Mathematische Logik
Diskrete Strukturen Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Mathematische Logik Aussagen Begriff Aussage: Ausdruck, welcher entweder wahr oder falsch ist e Die RWTH Aachen hat
Mehr4. Logik und ihre Bedeutung für WBS
4. Logik und ihre Bedeutung für WBS WBS verwenden formale Sprache L um Wissen zu repräsentieren Grundidee: Problemlösen = Folgern aus in L dargestelltem Wissen Folgern = implizites Wissen explizit machen
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
MehrSemantic Web Technologies I
www.semantic-web-grundlagen.de Semantic Web Technologies I Lehrveranstaltung im WS10/11 Dr. Andreas Harth Dr. Sebastian Rudolph M.Sc. Anees ul Mehdi Was ist Logik? etymologische Herkunft: griechisch λογοσ
MehrKünstliche Intelligenz Softwaretechnologie: Prolog
Künstliche Intelligenz Softwaretechnologie: Prolog Stephan Schwiebert sschwieb@spinfo.uni-koeln.de Wiederholung Konzepte logische Äquivalenz Die Aussagen p und q sind genau dann äquivalent, wenn sie unter
MehrÜbersicht. Wissensbasierte Agenten. Allgemeiner Entwurf eines Agenten (1) Allgemeiner Entwurf eines Agenten (2)
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
MehrTheoretische Grundlagen zu Default Logic
Theoretische Grundlagen zu Default Logic Eric Hildebrand Logik in der Praxis: Logikprogrammierung und unscharfes Schließen WS 08/09 Universität Heidelberg Seminar für Computerlinguistik Institut für allgemeine
MehrDatenbanken Unit 2: Das ER-Modell
Datenbanken Unit 2: Das ER-Modell 28. II. 2017 Outline 1 Organisatorisches 2 SQL 3 Das Entity-Relationship Modell Grundbegriffe Termin erster Zwischentest UE-Tests (Thema: SQL) erster Zwischentests am
MehrModellierung von Wissen
Martin LMU 9. Mai 2011 Schmutzige Kinder Eine Anzahl Kinder, manche haben eine schmutzige Stirn vom Spielen, manche nicht. Kein Kind kann seine eigene Stirn sehen und auch nicht befühlen. Kann ein Kind
MehrSemantik und Pragmatik
Semantik und Pragmatik SS 2005 Universität Bielefeld Teil 6, 20. Mai 2005 Gerhard Jäger Semantik und Pragmatik p.1/16 Typentheorie: Motivation Viele syntaktische Konstruktionen der natürlichen Sprachen
Mehr1. Grundlagen der Informatik Boolesche Algebra / Aussagenlogik
1. Grundlagen der Informatik Boolesche Algebra / Aussagenlogik Inhalt Grundlagen digitaler Systeme Boolesche Algebra / Aussagenlogik Organisation und Architektur von Rechnern Algorithmen, Darstellung von
Mehr9. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Dominik Benz Fachgebiet Wissensverarbeitung 9. Übung Künstliche Intelligenz 21.01.2009 Wintersemester 2008/2009 1 Frames Betrachten Sie nochmals die beispielhafte Frame-Repräsentation
MehrWorkshop WissKI für Uni Sammlungen. Martin Scholz , basierend auf
Workshop WissKI für Uni Sammlungen Martin Scholz 18.04.2016, basierend auf 26.11.2013 Ontologische Modellierung Was ist eine Ontologie? Terminologie Vokabular, um über Gegenstände eines Fachbereichs zu
MehrLogische Agenten. Einführung in die Wissensverarbeitung 2 VO UE SS Institut für Signalverarbeitung und Sprachkommunikation
Logische Agenten Einführung in die Wissensverarbeitung 2 VO 708.560 + 1 UE 442.072 SS 2012 Institut für Signalverarbeitung und Sprachkommunikation TU Graz Inffeldgasse 12/1 www.spsc.tugraz.at Institut
MehrLogik 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
MehrDie neue Prädikatenlogik P2
Joachim Stiller Die neue Prädikatenlogik P2 Versuch einer Begründung Alle Rechte vorbehalten Die neue Prädikatenlogik P2 In diesem Aufsatz möchte ich einmal versuchen, meine neue Prädikatenlogik P2 zu
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Ronja Düffel WS2018/19 01. Oktober 2018 Theoretische Informatik Wieso, weshalb, warum??!? 1 Modellieren und Formalisieren von Problemen und Lösungen 2 Verifikation (Beweis der
Mehr2 Theorie der semantischen Typen
2 Theorie der semantischen Typen 2 Theorie der semantischen Typen [ Dowty 83-97, Gamut 75-9, Partee 338-34] 2. Typen Eine mögliche Erweiterung von PL ist die Prädikatenlogik der 2. Stufe (PL2). In PL2
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Sommersemester 2018 Ronja Düffel 14. März 2018 Theoretische Informatik Wieso, weshalb, warum??!? 1 Modellieren und Formalisieren von Problemen und Lösungen 2 Verifikation (Beweis
MehrWiederholung: Modellierung in Prädikatenlogik
Was bisher geschah Modellierung von Aussagen durch logische Formeln Daten durch Mengen, Multimengen, Folgen, Sprachen Zusammenhängen und Eigenschaften von Elementen von Mengen durch Relationen (Eigenschaften
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
MehrLogik 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
MehrProgrammierung Paradigmen und Konzepte
Programmierung Paradigmen und Konzepte Mit 79 Bildern, 85 Beispielen, 130 Aufgaben und Kontrollfragen und 19 Referatsthemen Fachbuchverlag Leipzig im Carl Hanser Verlag 1 Einführung und Überblick 11 1.1
MehrLogische Agenten. Einführung in die Wissensverarbeitung 2 VO UE SS Institut für Signalverarbeitung und Sprachkommunikation
Logische Agenten Einführung in die Wissensverarbeitung 2 VO 708.560 + 1 UE 442.072 SS 2013 Institut für Signalverarbeitung und Sprachkommunikation TU Graz Inffeldgasse 12/1 www.spsc.tugraz.at Institut
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
MehrHandout zu Gödel: Die Unvollständigkeitssätze
Handout zu Gödel: Die Unvollständigkeitssätze Juanfernando Angel-Ramelli, Christine Schär, Katja Wolff December 4, 2014 Contents 1 Einleitung 1 1.1 Gödels Theoreme (1931)..............................
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
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
Mehr2.2.4 Logische Äquivalenz
2.2.4 Logische Äquivalenz (I) Penélope raucht nicht und sie trinkt nicht. (II) Es ist nicht der Fall, dass Penélope raucht oder trinkt. Offenbar behaupten beide Aussagen denselben Sachverhalt, sie unterscheiden
MehrEinführung in die mathematische Logik
Prof. Dr. H. Brenner Osnabrück SS 2014 Einführung in die mathematische Logik Vorlesung 3 Tautologien In der letzten Vorlesung haben wir erklärt, wie man ausgehend von einer Wahrheitsbelegung λ der Aussagevariablen
Mehr