Methoden wissensbasierter Systeme
|
|
- Götz Beckenbauer
- vor 6 Jahren
- Abrufe
Transkript
1 Christoph Beierle Gabriele Kern-Isberner Methoden wissensbasierter Systeme Grundlagen - Algorithmen - Anwendungen 2., überarbeitete und erweiterte Auflage vieweg
2 ix Vorwort zur 2., erweiterten Auflage vii ix 1 Einleitung Über dieses Buch Themenbereiche des Buches 2 2 Wissensbasierte Systeme im Überblick Beispiele für wissensbasierte Systeme Geldabheben am Automaten Medizinische Diagnose Wissensbasierte Systeme und Expertensysteme Eigenschaften von Experten und Expertensystemen Zur Geschichte wissensbasierter Systeme Das medizinische Diagnosesystem MYCIN Aufbau und Entwicklung wissensbasierter Systeme Architektur eines wissensbasierten Systems Entwicklung eines wissensbasierten Systems 18 3 Logikbasierte Wissensrepräsentation und Inferenz Formen der Inferenz Menschliches Schließen und Inferenz Charakterisierung der Inferenzrelation nach Peirce Deduktives Schließen Unsicheres Schließen Logische Systeme Signaturen Formeln Interpretationen Erfüllungsrelation Eigenschaften klassisch-logischer Systeme Erfüllungsrelation und Wahrheitsfunktionalität Modelle und logische Folgerung Inferenzregeln und Kalküle Korrektheit und Vollständigkeit von Kalkülen Logisches Folgern durch Widerspruch Entscheidbarkeitsresultate Logische Grundlagen: Aussagenlogik 42
3 X Syntax Semantik Äquivalenzen und Normalformen W'ahrheitstafeln und Ableitungen in der Aussagenlogik Logische Grundlagen: Prädikatenlogik 1. Stufe Signaturen und Interpretationen Tenne und Termauswertung Formeln und Formelauswertung Äquivalenzen Ableitungen in der Prädikatenlogik 1. Stufe Normalformen Unifikation Der Resolutionskalkül Erweiterungen Wie kommt der Delphin in den Karpfenteich? 68 4 Regelbasierte Systeme Was sind Regeln? Die Wissensbasis eines regelbasierten Systems Inferenz in einem regelbasierten System Datengetriebene Inferenz (Vorwärtsverkettung) Zielorientierte Inferenz (Rückwärtsverkettung) Das Problem der Widersprüchlichkeit Die Erklärungskomponente Signalsteuerung im Eisenbahnverkehr durch Regeln MYCIN - ein verallgemeinertes regelbasiertes System Modularität und Effizienz regelbasierter Systeme Ausblick 96 5 Maschinelles Lernen Definition des Lernens Klassifikation der Ansätze zum maschinellen Lernen Klassifikation gemäß der benutzten Lernstrategie Klassifikation gemäß dem gelernten Typ von Wissen Klassifikation gemäß dem Anwendungsbereich Erlernen von Entscheidungsbäumen Entscheidungsbäume Erzeugung von Regeln aus Entscheidungsbäumen Generieren von Entscheidungsbäumen Bewertung des Lernerfolges und Anwendungen Die induktiven Lernverfahren ID3 und C Lernen von Konzepten Eine Konzeptlernaufgabe Allgemeine Problemstellung Repräsentation von Beispielen und Konzepten Lernen von Konzepten als Suchproblem 123
4 XI Versionenräume Das Versionenraum-Lernverfahren Anwendungsbeispiel Eigenschaften des Versionenraum-Lernverfahrens Konzeptlernen mit Merkmalsbäumen Data Mining und Wissensfindung in Daten KDD - Knowledge Discovery in Databases Der KDD-Prozess Data Mining Assoziationsregeln Warenkorbanalyse Fallbasiertes Schließen Motivation Ein Beispiel Fallbasiertes Schließen und CBR-Systeme Grundzüge des fallbasierten Schließens CBR-Systeme Anwendungsgebiete des fallbasierten Schließens Fallbasiertes Schließen im Vergleich mit arideren Methoden Die Grundtypen fallbasierten Schließens Der Prozess des fallbasierten Schließens Der CBR-Zyklus Die Prozesse im Einzelnen Die Repräsentation von Fällen Die Komponenten eines Falles Problem- und Situationsbeschreibung Die Repräsentation von Lösungen Das Resultat eines Falles Methoden der Fallrepräsentation Die Indizierung von Fällen Das Indexvokabular Die Kennzeichnung eines Falles durch Indizes Suche nach geeigneten Fällen Organisationsformen der Fallbasis Die Bestimmung der Ähnlichkeit Die Hamming-Ähnlichkeit Die gewichtete Hamming-Ähnlichkeit Verallgemeinerte Ähnlichkeiten Beispiel: Ähnlichkeiten im PATDEX/2 - System Andere Ähnlichkeitsbestimmungen Adaption Substitutionsmethoden Andere Adaptionsmethoden Wie ein fallbasiertes System lernt Einige abschließende Bemerkungen 201
5 Xll 7 Truth Maintenance-Systeme Die Rolle des nichtmonotonen Schließens in der KI Monotone vs. nichtmonotone Logik Truth Maintenance-Systeme Justification-based Truth Maintenance-Systeme - JTMS In's und Out's - die Grundbegriffe eines JTMS Der JTMS-Algorithmus Anwendungsbeispiele Die JTMS-Inferenzrelation Assumption-based Truth Maintenance-Systeme - ATMS Grundbegriffe Arbeitsweise eines ATMS Verschiedene TMS im Vergleich Ausblicke Default-Logiken Default-Logik nach Reiter Aussehen und Bedeutung eines Defaults Die Syntax der Default-Logik Die Semantik der Default-Logik Ein operationaler Zugang zu Extensionen Prozessbäume Berechnung von Prozessbäumen Eigenschaften der Reiter'schen Default-Logik Normale Defaults Die Poole'sche Default-Logik Nichtmonotone Inferenzrelationen für Default-Logiken Probleme und Alternativen Logisches Programmieren und Anwortmengen Klassische logische Programme Anfragen und Antwortsubstitutionen Resolution von Hornklauseln SLD-Ableitungen Berechnete Antwortsubstitutionen Suchraum bei der SLD-Resolution Fixpunktsemantik logischer Programme Erweiterte logische Programme Die stabile Semantik normaler logischer Programme Die Antwortmengen-Semantik erweiterter logischer Programme Stabile Semantik und Antwortmengensemantik Truth Maintenance-Systeme und Default-Theorien Erweiterungen der Antwortmengensemantik Implementationen und Anwendungen Kriterien zur Beurteilung nichtmonotoner Inferenzoperationen Rückblick 300
6 10 Aktionen und Planen Planen in der Blockwelt Logische Grundlagen des Planens Der Situationskalkül Aktionen Situationen Veränderungen zwischen Situationen Ausführungsbedingungen und Effektaxiome Zielbeschreibungen Probleme Das Rahmenproblem Das Qualifikationsproblem Das Verzweigungsproblem Plangenerierung im Situationskalkül Planen mit STRIPS Zustände und Zielbeschreibungen STRIPS-Operatoren Planen mit Vorwärtssuche Planen mit Rückwärtssuche Behandlung des Rahmenproblems in STRIPS Nichtklassische Planungssysteme Planen mit Antwortmengen Systeme zur Berechnung von Antwortmengen Planen mit SMODELS Behandlung des Rahmenproblems Autonome Agenten und Anwendungen Quantitative Methoden I Probabilistische Netzwerke Ungerichtete Graphen - Markov-Netze Separation in Graphen und probabilistische Unabhängigkeit Markov-Eigenschaften und Markov-Graphen Konstruktion von Markov-Graphen Potential- und Produktdarstellungen Gerichtete Graphen - Bayessche Netze Inferenz in probabilistischen Netzen Bayes-Netze und Potentialdarstellungen Der permanente Cliquenbaum als Wissensbasis Der Algorithmus von Lauritzen und Spiegelhalter Berücksichtigung fallspezifischer Daten Bayessche Netzwerke in praktischen Anwendungen Erlernen Bayesscher Netze aus Daten Probabilistische Inferenz unter informationstheoretischen Aspekten Weitere Anwendungen Proteinklassifikation mittels Hidden Markov Models (HMM) Herzerkrankungen bei Neugeborenen Suchterkrankungen und psychische Störungen 380 xiii
7 XIV 12 Quantitative Methoden II Dempster-Shafer, Fuzzy & Co Verallgemeinerte Wahrscheinlichkeitstheorie Die Dempster-Shafer-Theorie Basismaße und Glaubensfunktionen Dempsters Kombinationsregel Sensorenauswertung in der mobilen Robotik mittels Dempster-Shafer-Theorie Fuzzy-Theorie und Possibilistik Fuzzy-Theorie Possibilitätstheorie Expertensysteme mit Fuzzy-Regeln 399 A Wahrscheinlichkeit und Information 403 A.l Die Wahrscheinlichkeit von Formeln 403 A.2 Randverteilungen 408 A.3 Bedingte Wahrscheinlichkeiten 409 A.4 Der Satz von Bayes 411 A.5 Mehrwertige Aussagenvariable 413 A.6 Abhängigkeiten und Unabhängigkeiten 415 A.7 Der Begriff der Information 419 A.8 Entropie 420 В Graphentheoretische Grundlagen 424 B.l Graphen und Cliquen 424 B.2 Triangulierte Graphen 428 B.3 Die running intersection property RIP 434 В.4 Hypergraphen 436 Literaturverzeichnis 439 Index 449 \
Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage. 1 Einleitung Über dieses Buch Themenbereiche des Buches 2
xi Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage vii ix xi 1 Einleitung 1 1.1 Über dieses Buch 1 1.2 Themenbereiche des Buches 2 2 Wissensbasierte Systeme im Uberblick 7
MehrVorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage
xi Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage vii ix xi 1 Einleitung 1 1.1 Über dieses Buch........................... 1 1.2 Themenbereiche des Buches.....................
MehrMethoden wissensbasierter Sy steme
Christoph Beierle Gabriele Kern-lsberner Methoden wissensbasierter Sy steme Grundlagen, Algorithmen, Anwendungen 4., verbesserte Auflage Mit 147 Abbildungen STUDIUM VIEWEG+ TEUBNER Xlll Vorwort zur 1.
MehrDatum: Prüfer: Prof. Dr. Beierle. Beisitzer: M.sc. Nico Potyka. Dauer: ca. 30 min. Note: 1,3
Datum: 23.10.2013 Prüfer: Prof. Dr. Beierle Beisitzer: M.sc. Nico Potyka Dauer: ca. 30 min Note: 1,3 Expertensysteme sind ja spezielle wissensbasierte Systeme. Welche Komponenten enthalten denn üblicherweise
MehrWissensbasierte Systeme: Prüfungsfragen
Wissensbasierte Systeme: Prüfungsfragen Prof. Beierle: Assoziationsregeln erklären (Itemmenge, Transaktionen, support + confidence) durch Data Mining ermittelte Zusammenhänge zwischen Merkmalen nicht notwendig
MehrQuantitative Methoden Wissensbasierter Systeme
Quantitative Methoden Wissensbasierter Systeme Probabilistische Netze und ihre Anwendungen Robert Remus Universität Leipzig Fakultät für Mathematik und Informatik Abteilung für Intelligente Systeme 23.
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)
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
MehrInhaltsverzeichnis. Kurzfassung. Abstract
Inhaltsverzeichnis Kurzfassung Abstract Inhaltsverzeichnis iii v vii 1 Einleitung 1 1.1 Problemstellung und Einordnung der Arbeit 1 1.2 Lösungsansatz 7 L3 Verwandte Arbeiten S 1.3.1 Datenbank-Suchmaschmen
MehrAndreas Scherer. Neuronale Netze. Grundlagen und Anwendungen. vieweg
Andreas Scherer Neuronale Netze Grundlagen und Anwendungen vieweg Inhaltsverzeichnis Vorwort 1 1 Einführung 3 1.1 Was ist ein neuronales Netz? 3 1.2 Eigenschaften neuronaler Netze 5 1.2.1 Allgemeine Merkmale
MehrMaschinelles Lernen und Data Mining: Methoden und Anwendungen
Maschinelles Lernen und Data Mining: Methoden und Anwendungen Eyke Hüllermeier Knowledge Engineering & Bioinformatics Fachbereich Mathematik und Informatik GFFT-Jahrestagung, Wesel, 17. Januar 2008 Knowledge
MehrIntelligente Systeme
Intelligente Systeme Regeln, Inferenz, Logiken Prof. Dr. R. Kruse C. Braune C. Moewes {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrWas bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Wissensrepräsentation und -verarbeitung: Wissensbasis Kontextwissen Problemdarstellung fallspezifisches Wissen repräsentiert
MehrGrundlagen der Kognitiven Informatik
Grundlagen der Kognitiven Informatik Wissensrepräsentation und Logik Ute Schmid Kognitive Systeme, Angewandte Informatik, Universität Bamberg letzte Änderung: 14. Dezember 2010 U. Schmid (CogSys) KogInf-Logik
MehrFormale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015
Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015 Teil 3: Logik 1 Aussagenlogik Einleitung Eigenschaften Äquivalenz Folgerung Normalformen 2 Prädikatenlogik Wenn eine Karte
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
MehrKapitel WT:VIII (Fortsetzung)
Kapitel WT:VIII (Fortsetzung) VIII. Semantic Web WWW heute Semantic Web Vision RDF: Einführung RDF: Konzepte RDF: XML-Serialisierung RDF: Anwendungen RDFS: Einführung RDFS: Konzepte Semantik im Web Semantik
MehrSuche in Spielbäumen Projektvorschläge
Suche in Spielbäumen Projektvorschläge Nullsummenspiele sind Spiele mit zwei Spielern, bei denen der Vorteil des einen Spielers dem Nachteil des anderen Spieler entspricht. Im einfachsten Fall binär (Sieg
MehrAussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen. notwendig: Existenz- und Allaussagen
Prädikatenlogik 1. Stufe (kurz: PL1) Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen notwendig: Existenz- und Allaussagen Beispiel: 54 Syntax der Prädikatenlogik erster Stufe (in der
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
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
MehrMultivariate Lieferantenbewertung
Christian G. Janker Multivariate Lieferantenbewertung Empirisch gestützte Konzeption eines anforderungsgerechten Bewertungssystems Mit einem Geleitwort von Prof. Dr. Rainer Lasch Deutscher Universitäts-Verlag
MehrIntelligente Systeme
Intelligente Systeme Regelbasierte Systeme Prof. Dr. R. Kruse C. Braune {rudolf.kruse,christian.braune}@ovgu.de Institut für Intelligente Kooperierende Systeme Fakultät für Informatik Otto-von-Guericke-Universität
MehrEreignisdiskrete Systeme
Ereignisdiskrete Systeme Modellierung und Analyse dynamischer Systeme mit Automaten, Markovketten und Petrinetzen von Jan Lunze Mit 340 Abbildungen, 80 Anwendungsbeispielen und 110 Übungsaufgaben Oldenbourg
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
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;
MehrSS2010 BAI2-LBP Gruppe 1 Team 07 Entwurf zu Aufgabe 4. R. C. Ladiges, D. Fast 10. Juni 2010
SS2010 BAI2-LBP Gruppe 1 Team 07 Entwurf zu Aufgabe 4 R. C. Ladiges, D. Fast 10. Juni 2010 Inhaltsverzeichnis 4 Aufgabe 4 3 4.1 Sich mit dem Programmpaket vertraut machen.................... 3 4.1.1 Aufgabenstellung.................................
MehrMaschinelles Lernen. Moderne Methoden der KI: Maschinelles Lernen. Definitionen: Was ist Lernen? Definitionen: Was ist Lernen? 1.
Moderne Methoden der KI: Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Sommer-Semester 2007 1. Einführung: Definitionen Grundbegriffe Lernsysteme Lernen: Grundbegriffe Lernsysteme Konzept-Lernen Entscheidungsbäume
MehrDaten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten)
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Wissensrepräsentation und -verarbeitung in klassischer Aussagenlogik: Entscheidungstabellen,
MehrSeminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme
Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume von Lars-Peter Meyer im Seminar Methoden wissensbasierter Systeme bei Prof. Brewka im WS 2007/08 Übersicht Überblick maschinelles Lernen
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
MehrSeminar: Theorien induktiven und deduktiven Denkens aus KI und Psychologie
Seminar: Theorien induktiven und deduktiven Denkens aus KI und Psychologie Gregory Kuhnmuench Marco Ragni Stefan Wölfl Bernhard Nebel Abt. Kognitionswissenschaft AG Grundlagen der Künstlichen Intelligenz
MehrWas bisher geschah. Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose)
Was bisher geschah Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose) M Menge aller Merkmale L Menge aller Lösungen Zuordnung als Relation R M L Zuordnung als Funktion f : M L {0, 1} (charakteristische
MehrEinführung in die symbolische Logik
Einführung in die symbolische Logik mit besonderer Berücksichtigung ihrer Anwendungen Von Rudolf Carnap Professor der Philosophie University of California, Los Angeles Zweite neubearbeitete und erweiterte
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
MehrDarstellung, Verarbeitung und Erwerb von Wissen
Darstellung, Verarbeitung und Erwerb von Wissen Gabriele Kern-Isberner LS 6 Information Engineering TU Dortmund Wintersemester 2008/09 G. Kern-Isberner (TU Dortmund) DVEW 1 / 38 Kapitel 1 Einführung und
MehrComputerlinguistik und Sprachtechnologie
Computerlinguistik und Sprachtechnologie Eine Einführung Herausgegeben von: Kai-Uwe Carstensen, Christian Ebert, Cornelia Endriss, Susanne Jekat, Ralf Klabunde und Hagen Langer Spektrum Akademischer Verlag
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:
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrInhaltsverzeichnis 1 Einleitung 2 Ansätze in Forschung und Praxis
ix 1 Einleitung 1 1.1 Motivation 1 1.1.1 Das Projekt»Steuerkanzlei 2005«2 1.1.2 Generalisierung des Anwendungsfalls 3 1.1.3 Situation der Business Intelligence 4 1.1.4 Probleme in der praktischen Anwendung
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
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
Mehr3. Grundlegende Begriffe von Logiken - Aussagenlogik
3. Grundlegende Begriffe von Logiken - Aussagenlogik Wichtige Konzepte und Begriffe in Logiken: Syntax (Signatur, Term, Formel,... ): Festlegung, welche syntaktischen Gebilde als Formeln (Aussagen, Sätze,
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 7. Aussagenlogik Analytische Tableaus Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Der aussagenlogische Tableaukalkül
MehrLogische Programmierung
1. Vorbemerkungen 1-1 Logische Programmierung Stefan Brass Institut für Informatik Fachgebiet Datenbanken und Informationssysteme Prof. Dr. Udo W. Lipeck 1. Vorbemerkungen 1-2 Organisatorisches Sprechstunde:
MehrEinführung in die Wissensverarbeitung und Data Mining
Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen
MehrErkennung Sequenzieller Muster Algorithmen und Anwendungen
Achim Eisele, Thema 1.4.3: Sequenzielle Muster 1 FernUniversität in Hagen Seminar 01912 im Sommersemester 2008 Erkennung Sequenzieller Muster Algorithmen und Anwendungen Thema 1.4.3: Sequenzielle Muster
Mehr2. Erläutern Sie, wie sich ein Agent von einem typischen Transformationsprogramm unterscheidet.
1 Rationale Agenten 1. Was ist ein Agent? Beispiele? 2. Erläutern Sie, wie sich ein Agent von einem typischen Transformationsprogramm unterscheidet. 3. Zeichnen Sie ein Blockdiagramm, das die Interaktion
Mehr1. Übersicht, Einführung und Motivation
Kapitel 1 Übersicht, Einführung und Motivation 1. Übersicht, Einführung und Motivation 8 Struktur der Vorlesung 1 Übersicht, Einführung und Motivation 2 Wissensrepräsentation 3 Klassische und nichtklassische
MehrFragenkatalog zur Vorlesung "Grundlagen des Data Mining" (WS 2006/07)
Fragenkatalog zur Vorlesung "Grundlagen des Data Mining" (WS 2006/07) 1. Grenzen Sie die Begriffe "Daten" und "Wissen" mit je 3 charakteristischen Eigenschaften gegeander ab. 2. Nennen Sie vier verschiedene
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
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrKapitel 1.0. Aussagenlogik: Einführung. Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1
Kapitel 1.0 Aussagenlogik: Einführung Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1 Ziele der Aussagenlogik In der Aussagenlogik analysiert man die Wahrheitswerte zusammengesetzter
MehrWissensbasierte Systeme
WBS53 Slide 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 5: Modellbasierte Diagnose Teil 3: Konfliktgenerierung und Wertpropagierung WBS53 Slide 2 Konfliktgenerierung Die Kandidatengenerierung
MehrWintersemester 2008/2009
Fakultät für Informatik LS VI Information Engineering Prof. Dr. G. Kern-Isberner Patrick Krümpelmann, Jan-Hendrik Lochner, Max Vorderstemann Probeklausur zur Vorlesung Darstellung, Verarbeitung und Erwerb
MehrEffzienzsteigerung durch intelligentes Datenmanagement
Effzienzsteigerung durch intelligentes Datenmanagement Analyse, Optimierung, Steuerung und Prognose von Prozessen Dr. Thomas Natschläger +43 7236 3343 868 thomas.natschlaeger@scch.at www.scch.at Das SCCH
MehrTeil A Grundlagen und Methoden 1. 1 Customer Relationship Management ein Bezugsrahmen 3
xi Teil A Grundlagen und Methoden 1 1 Customer Relationship Management ein Bezugsrahmen 3 1.1 Die Entwicklung zum kundenzentrierten Unternehmen 3 1.2 Ziel und Kernkonzepte des CRM 5 1.2.1 Ziel: Profitable
MehrWissensbasierte Systeme
WBS4 Slide 1 Wissensbasierte Systeme Vorlesung 4 vom 03.11.2004 Sebastian Iwanowski FH Wedel WBS4 Slide 2 Wissensbasierte Systeme 1. Motivation 2. Prinzipien und Anwendungen 3. Logische Grundlagen 4. Suchstrategien
MehrElementare Wahrscheinlichkeitsrechnung
Johann Pfanzagl Elementare Wahrscheinlichkeitsrechnung 2., überarbeitete und erweiterte Auflage W DE G Walter de Gruyter Berlin New York 1991 Inhaltsverzeichnis 1. Zufallsexperimente und Wahrscheinlichkeit
Mehr1 Inhaltsverzeichnis. 1 Einführung...1
1 Inhaltsverzeichnis 1 Einführung...1 1.1 Arten der stochastischen Abhängigkeit...2 1.2 Wo kommen regressive Abhängigkeiten vor?...3 1.3 Hauptaufgaben von Regressionsmodellen...3 1.4 Wissenschaftstheoretische
Mehr5. Assoziationsregeln
5. Generieren von Assoziationsregeln Grundbegriffe 5. Assoziationsregeln Assoziationsregeln beschreiben gewisse Zusammenhänge und Regelmäßigkeiten zwischen verschiedenen Dingen, z.b. den Artikeln eines
MehrSeminar Künstliche Intelligenz Wintersemester 2014/15
Seminar Künstliche Intelligenz Wintersemester 2014/15 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 15.10.2014 2 / 14 Überblick Teilgebiete der KI Problemlösen,
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrVorlesung. Wissensbasierte Systeme
Vorlesung 1. Einführung - KI, : was ist das? 2. Wer suchet der findet - Problemlösen und Suchmethoden 3. Making it explicit - Logik und Inferenz 4. Ausnahmen sind die Regel - Nichtmonotones Schließen 5.
MehrMarkus Krötzsch DIAMOND. Data Integration and Access. by Merging. Ontologies and Databases. 13. Juni 2013
Data Integration and Access by Merging Ontologies and Databases 13. Juni 2013 Zielstellung Verbesserter Zugriff auf große, heterogene und dynamische Datenmengen Seite 2 Seite 3 Seite 4 Wikidata Offizielle
MehrAnswer Set Programming
Answer Set Programming mit Answer Set Prolog (A-Prolog) Wangler Thomas Logikprogrammierung Institut für Computerlinguistik Universität Heidelberg Inhaltsverzeichnis Inhaltsverzeichnis Inhaltsverzeichnis
MehrData Mining - Wiederholung
Data Mining - Wiederholung Norbert Fuhr 9. Juni 2008 Problemstellungen Problemstellungen Daten vs. Information Def. Data Mining Arten von strukturellen Beschreibungen Regeln (Klassifikation, Assoziations-)
Mehr1 Einleitung... 1. 2 Vorstellung der Fallstudie KnowBeer... 5
1 Einleitung... 1 2 Vorstellung der Fallstudie KnowBeer... 5 Teil I: Überblick Der Business Rules Ansatz 3 Ausgangslage... 11 3.1 Was ist das Problem?... 11 3.2 Motivation: Sinnvolle Unternehmen... 12
MehrMathematik-Vorkurs für Informatiker Aussagenlogik 1
Christian Eisentraut & Julia Krämer www.vorkurs-mathematik-informatik.de Mathematik-Vorkurs für Informatiker Aussagenlogik 1 Aufgabe 1. (Wiederholung wichtiger Begriffe) Notieren Sie die Definitionen der
MehrMaster of Arts Logik. Master of Arts Pflicht. Klassische Logik. Modultitel. Abteilung Logik. Verantwortlich. 1 Semester.
06-07-101-3 Pflicht Modultitel Klassische Logik 1. Semester Abteilung Logik jedes Wintersemester Vorlesung "Klassische Logik" (4 SWS) = 60 h Präsenzzeit und 140 h Selbststudium = 200 h Übung "Klassische
Mehr5.4 Die Prädikatenlogik 1.Stufe als Semantikformalismus
5.4 Die Prädikatenlogik 1.Stufe als Semantikformalismus 5.4.1 Einführung Einführung Verwendet wird die Sprache der Prädikatenlogik erster Stufe mit Identität (ohne Funktionskonstanten) mit dem folgenden
MehrSeminar Business Intelligence Teil II. Data Mining & Knowledge Discovery
Seminar Business Intelligence Teil II Data Mining & Knowledge Discovery Was ist Data Mining? Sabine Queckbörner Was ist Data Mining? Data Mining Was ist Data Mining? Nach welchen Mustern wird gesucht?
MehrVeit Köppen Gunter Saake Kai-Uwe Sattler. 2. Auflage. Data Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler 2. Auflage Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis ix 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...
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
MehrProlog basiert auf Prädikatenlogik
Software-Technologie Software-Systeme sind sehr komplex. Im Idealfall erfolgt die Programmierung problemorientiert, während die notwendige Übertragung in ausführbare Programme automatisch erfolgt. Prolog-Philosophie:
MehrMafI I: Logik & Diskrete Mathematik (F. Hoffmann)
Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob
MehrModerne Methoden der KI: Maschinelles Lernen
Moderne Methoden der KI: Maschinelles Lernen Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Sommer-Semester 2009 1. Einführung: Definitionen Grundbegriffe Lernsysteme Maschinelles Lernen Lernen: Grundbegriffe
MehrFormeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur
Signatur Formeln Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die
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
MehrClusteranalyse. Anwendungsorientierte Einführung. R. Oldenbourg Verlag München Wien. Von Dr. Johann Bacher
Clusteranalyse Anwendungsorientierte Einführung Von Dr. Johann Bacher R. Oldenbourg Verlag München Wien INHALTSVERZEICHNIS Vorwort XI 1 Einleitung 1 1.1 Primäre Zielsetzung clusteranalytischer Verfahren
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
MehrData Warehouse Technologien
Veit Köppen Gunter Saake Kai-Uwe Sattler Data Warehouse Technologien Inhaltsverzeichnis Inhaltsverzeichnis vii 1 Einführung in Data-Warehouse-Systeme 1 1.1 Anwendungsszenario Getränkemarkt...............
MehrVorlesung: Künstliche Intelligenz
Vorlesung Fachbereich Mathematik/Informatik AG Vorlesung: - Logisches Schließen - P LS ES Marco Block-Berlitz 1 Vorlesung Fachbereich Mathematik/Informatik AG Inhaltliche Planung für die Vorlesung 1) Definition
MehrPersonalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.
Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen
MehrWissensbasierte Diagnosesysteme
Wissensbasierte Diagnosesysteme Prof. Dr. Sibylle Schwarz Westsächsische Hochschule Zwickau Dr. Friedrichs-Ring 2a, RII 263 http://www.fh-zwickau.de/~sibsc/ sibylle.schwarz@fh-zwickau.de WS 2012/2013 Motivation
MehrInvestitionsrechnung
Investitionsrechnung 14., neu bearbeitete und erweiterte Auflage Franz Eisenführ Unter Mitarbeit von Kristian Foit und Marc Kastner Kapitel 1 Einführung 1.1 Worum es geht 1 1.1.1 Der Begriff Investition"
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.
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
MehrEinführung in die mathematische Logik
roseminar Maschinelles Beweisen SS 2000 Einführung in die mathematische Logik Ein Crashkurs über die Grundlagen wichtiger Logiken und Beweiskalküle Uwe Bubeck 13. Juli 2000 Logik-1 Einführung in die mathematische
MehrExpertensystem zur Beurteilung von Anzeigenwerbung
Franz-Rudolf Esch Expertensystem zur Beurteilung von Anzeigenwerbung Mit 62 Abbildungen.*/* T CHNISGHE HOCHSCHULE OAftMSTAOT Fachbeeich 1 Gesamt b tb i o t he k Invenior-Nr...Hß(ö.2> ADStell-Nr. :.4^3.03...5...
MehrFachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß
Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche
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
MehrKI: Wie testet man ein Hirn?
KI: Wie testet man ein Hirn? (Und warum?) Richard Jelinek PetaMem GmbH Nürnberg Richard Jelinek Künstliche Intelligenz 11. März 2016 1 / 15 Weltwissen & Repräsentation Weltwissen beschreibt das verfügbare
MehrMethoden der KI in der Biomedizin Unsicheres Schließen
Methoden der KI in der Biomedizin Unsicheres Schließen Karl D. Fritscher Motivation Insofern sich die Gesetze der Mathematik auf die Wirklichkeit beziehen, sind sie nicht sicher. Und insofern sie sich
MehrEinführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
MehrNichtmonotones Schließen
Was bisher geschah Wissensrepräsentation und -verarbeitung in Zustandsübergangssystemen klassischer Aussagenlogik: Entscheidungstabellen, -bäume, -diagramme Wissensrepräsentation und -verarbeitung durch
MehrWissensbasierte Systeme
FH Wedel Prof. Dr. Sebastian Iwanowski WBS6 Folie 1 Wissensbasierte Systeme Sebastian Iwanowski FH Wedel Kap. 6: Wissensbasierte Diagnosemethoden im Vergleich FH Wedel Prof. Dr. Sebastian Iwanowski WBS6
Mehr1 Prädikatenlogik: Korrektheit, Vollständigkeit, Entscheidbarkeit
1 Prädikatenlogik: Korrektheit, Vollständigkeit, Entscheidbarkeit 1.1 Korrektheit Mit dem Kalkül der Prädikatenlogik, z.b. dem Resolutionskalkül, können wir allgemeingültige Sätze beweisen. Diese Sätze
MehrEntwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion
Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion Vortrag Seminararbeit David Pogorzelski Aachen, 22.01.2015 Agenda 1 2 3 4 5 Ziel der
Mehr