Methoden wissensbasierter Systeme

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 \