Case-Based Reasoning und anderen Inferenzmechanismen
|
|
- Nicole Lichtenberg
- vor 6 Jahren
- Abrufe
Transkript
1 Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April / 31
2 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining Fuzzy-Logik Regelbasierte Systeme Evolutionäre Algorithmen Multi-Agenten-Systeme Neuronale Netze Stereotypen 3 CBR Was ist fallbasiertes Schliessen? Motivationen für fallbasiertes Schliessen CBR-Zyklus DM () CBR und Inferenz 21 April / 31
3 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining Fuzzy-Logik Regelbasierte Systeme Evolutionäre Algorithmen Multi-Agenten-Systeme Neuronale Netze Stereotypen 3 CBR Was ist fallbasiertes Schliessen? Motivationen für fallbasiertes Schliessen CBR-Zyklus DM () CBR und Inferenz 21 April / 31
4 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining Fuzzy-Logik Regelbasierte Systeme Evolutionäre Algorithmen Multi-Agenten-Systeme Neuronale Netze Stereotypen 3 CBR Was ist fallbasiertes Schliessen? Motivationen für fallbasiertes Schliessen CBR-Zyklus DM () CBR und Inferenz 21 April / 31
5 Einleitung Was bedeutet Inferenz Inferenz = Schluss oder Beweis In der Informatik: ist Inferenz aber meisten eine automatisierte Schlussfolgerung diese erfolgt durch ein computerunterstütztes System DM () CBR und Inferenz 21 April / 31
6 Inferenzmechanismen Statistische Verfahren Statistische Verfahren hier werden Daten über den Benutzen Ausgewertet auf der Basis der statistischen Datenanalysen mit Hilfe statistischer Methoden lassen sich echte Effekte von Zufallstreffern unterscheiden es werden statistische Zusammenhänge dargestellt die aufgrund von Wechselwirkungen zwischen einzelnen Ereignissen entstehen DM () CBR und Inferenz 21 April / 31
7 Inferenzmechanismen Statistische Verfahren Statistische Verfahren hier werden Daten über den Benutzen Ausgewertet auf der Basis der statistischen Datenanalysen mit Hilfe statistischer Methoden lassen sich echte Effekte von Zufallstreffern unterscheiden es werden statistische Zusammenhänge dargestellt die aufgrund von Wechselwirkungen zwischen einzelnen Ereignissen entstehen DM () CBR und Inferenz 21 April / 31
8 Inferenzmechanismen Statistische Verfahren Statistische Verfahren hier werden Daten über den Benutzen Ausgewertet auf der Basis der statistischen Datenanalysen mit Hilfe statistischer Methoden lassen sich echte Effekte von Zufallstreffern unterscheiden es werden statistische Zusammenhänge dargestellt die aufgrund von Wechselwirkungen zwischen einzelnen Ereignissen entstehen DM () CBR und Inferenz 21 April / 31
9 Inferenzmechanismen Statistische Verfahren Statistische Verfahren hier werden Daten über den Benutzen Ausgewertet auf der Basis der statistischen Datenanalysen mit Hilfe statistischer Methoden lassen sich echte Effekte von Zufallstreffern unterscheiden es werden statistische Zusammenhänge dargestellt die aufgrund von Wechselwirkungen zwischen einzelnen Ereignissen entstehen DM () CBR und Inferenz 21 April / 31
10 Inferenzmechanismen Statistische Verfahren Statistische Verfahren Folgende Techniken gibt es: Korrelation Regression Varianzanalyse Multivariable Analysen Diskriminanzanalysen Clusteranalyse Zeitreihenanalyse DM () CBR und Inferenz 21 April / 31
11 Data Mining Inferenzmechanismen Data Mining Techniken zum Finden von interessanten und nützlichen Mustern und Regeln in großen Datenmengen Informationen werden aus Datenbanken extrahiert und interpretiert Verwendete Technologien stammen aus dem Bereich: der künstlichen Intelligenz dem Knowledge-Management statistischen Modellen => Analyse und Prognose von Verhaltensweisen und Trends DM () CBR und Inferenz 21 April / 31
12 Data Mining Inferenzmechanismen Data Mining Techniken zum Finden von interessanten und nützlichen Mustern und Regeln in großen Datenmengen Informationen werden aus Datenbanken extrahiert und interpretiert Verwendete Technologien stammen aus dem Bereich: der künstlichen Intelligenz dem Knowledge-Management statistischen Modellen => Analyse und Prognose von Verhaltensweisen und Trends DM () CBR und Inferenz 21 April / 31
13 Data Mining Inferenzmechanismen Data Mining Techniken zum Finden von interessanten und nützlichen Mustern und Regeln in großen Datenmengen Informationen werden aus Datenbanken extrahiert und interpretiert Verwendete Technologien stammen aus dem Bereich: der künstlichen Intelligenz dem Knowledge-Management statistischen Modellen => Analyse und Prognose von Verhaltensweisen und Trends DM () CBR und Inferenz 21 April / 31
14 Data Mining Inferenzmechanismen Data Mining Techniken zum Finden von interessanten und nützlichen Mustern und Regeln in großen Datenmengen Informationen werden aus Datenbanken extrahiert und interpretiert Verwendete Technologien stammen aus dem Bereich: der künstlichen Intelligenz dem Knowledge-Management statistischen Modellen => Analyse und Prognose von Verhaltensweisen und Trends DM () CBR und Inferenz 21 April / 31
15 Data Mining Inferenzmechanismen Data Mining Techniken zum Finden von interessanten und nützlichen Mustern und Regeln in großen Datenmengen Informationen werden aus Datenbanken extrahiert und interpretiert Verwendete Technologien stammen aus dem Bereich: der künstlichen Intelligenz dem Knowledge-Management statistischen Modellen => Analyse und Prognose von Verhaltensweisen und Trends DM () CBR und Inferenz 21 April / 31
16 Data Mining Inferenzmechanismen Data Mining Techniken zum Finden von interessanten und nützlichen Mustern und Regeln in großen Datenmengen Informationen werden aus Datenbanken extrahiert und interpretiert Verwendete Technologien stammen aus dem Bereich: der künstlichen Intelligenz dem Knowledge-Management statistischen Modellen => Analyse und Prognose von Verhaltensweisen und Trends DM () CBR und Inferenz 21 April / 31
17 Data Mining Inferenzmechanismen Data Mining Techniken zum Finden von interessanten und nützlichen Mustern und Regeln in großen Datenmengen Informationen werden aus Datenbanken extrahiert und interpretiert Verwendete Technologien stammen aus dem Bereich: der künstlichen Intelligenz dem Knowledge-Management statistischen Modellen => Analyse und Prognose von Verhaltensweisen und Trends DM () CBR und Inferenz 21 April / 31
18 Data Mining Inferenzmechanismen Data Mining Techniken zum Finden von interessanten und nützlichen Mustern und Regeln in großen Datenmengen Informationen werden aus Datenbanken extrahiert und interpretiert Verwendete Technologien stammen aus dem Bereich: der künstlichen Intelligenz dem Knowledge-Management statistischen Modellen => Analyse und Prognose von Verhaltensweisen und Trends DM () CBR und Inferenz 21 April / 31
19 Fuzzy-Logik Inferenzmechanismen Fuzzy-Logik Verallgemeinerung der zweiwertigen Booleschen Logik lässt Wahrheitswerte zwischen WAHR und FALSCH zu vorhandenes Wissen flißt in die Verarbeitung mit ein Verarbeitung unscharfer (engl. fuzzy) Werte experten Wissen ist oft unscharf => komplexe Probleme leichter zu beschreiben DM () CBR und Inferenz 21 April / 31
20 Fuzzy-Logik Inferenzmechanismen Fuzzy-Logik Verallgemeinerung der zweiwertigen Booleschen Logik lässt Wahrheitswerte zwischen WAHR und FALSCH zu vorhandenes Wissen flißt in die Verarbeitung mit ein Verarbeitung unscharfer (engl. fuzzy) Werte experten Wissen ist oft unscharf => komplexe Probleme leichter zu beschreiben DM () CBR und Inferenz 21 April / 31
21 Fuzzy-Logik Inferenzmechanismen Fuzzy-Logik Verallgemeinerung der zweiwertigen Booleschen Logik lässt Wahrheitswerte zwischen WAHR und FALSCH zu vorhandenes Wissen flißt in die Verarbeitung mit ein Verarbeitung unscharfer (engl. fuzzy) Werte experten Wissen ist oft unscharf => komplexe Probleme leichter zu beschreiben DM () CBR und Inferenz 21 April / 31
22 Fuzzy-Logik Inferenzmechanismen Fuzzy-Logik Verallgemeinerung der zweiwertigen Booleschen Logik lässt Wahrheitswerte zwischen WAHR und FALSCH zu vorhandenes Wissen flißt in die Verarbeitung mit ein Verarbeitung unscharfer (engl. fuzzy) Werte experten Wissen ist oft unscharf => komplexe Probleme leichter zu beschreiben DM () CBR und Inferenz 21 April / 31
23 Fuzzy-Logik Inferenzmechanismen Fuzzy-Logik Verallgemeinerung der zweiwertigen Booleschen Logik lässt Wahrheitswerte zwischen WAHR und FALSCH zu vorhandenes Wissen flißt in die Verarbeitung mit ein Verarbeitung unscharfer (engl. fuzzy) Werte experten Wissen ist oft unscharf => komplexe Probleme leichter zu beschreiben DM () CBR und Inferenz 21 April / 31
24 Fuzzy-Logik Inferenzmechanismen Fuzzy-Logik Verallgemeinerung der zweiwertigen Booleschen Logik lässt Wahrheitswerte zwischen WAHR und FALSCH zu vorhandenes Wissen flißt in die Verarbeitung mit ein Verarbeitung unscharfer (engl. fuzzy) Werte experten Wissen ist oft unscharf => komplexe Probleme leichter zu beschreiben DM () CBR und Inferenz 21 April / 31
25 Inferenzmechanismen Regelbasierte Systeme Regelbasierte Systeme Regelbasierte Systeme bestehen aus einer Datenbank von Fakten einer Menge von Regeln einem Kontrollsystem mit Regelinterpreter Regeln sind in der Form: "Wenn-Dann" WENN Herdplatte heiss UND kein Topf auf Herd DANN schalte Herd aus DM () CBR und Inferenz 21 April / 31
26 Inferenzmechanismen Regelbasierte Systeme Regelbasierte Systeme Regelbasierte Systeme bestehen aus einer Datenbank von Fakten einer Menge von Regeln einem Kontrollsystem mit Regelinterpreter Regeln sind in der Form: "Wenn-Dann" WENN Herdplatte heiss UND kein Topf auf Herd DANN schalte Herd aus DM () CBR und Inferenz 21 April / 31
27 Inferenzmechanismen Regelbasierte Systeme Regelbasierte Systeme Regelbasierte Systeme bestehen aus einer Datenbank von Fakten einer Menge von Regeln einem Kontrollsystem mit Regelinterpreter Regeln sind in der Form: "Wenn-Dann" WENN Herdplatte heiss UND kein Topf auf Herd DANN schalte Herd aus DM () CBR und Inferenz 21 April / 31
28 Inferenzmechanismen Regelbasierte Systeme Regelbasierte Systeme Regelbasierte Systeme bestehen aus einer Datenbank von Fakten einer Menge von Regeln einem Kontrollsystem mit Regelinterpreter Regeln sind in der Form: "Wenn-Dann" WENN Herdplatte heiss UND kein Topf auf Herd DANN schalte Herd aus DM () CBR und Inferenz 21 April / 31
29 Inferenzmechanismen Regelbasierte Systeme Regelbasierte Systeme Regelbasierte Systeme bestehen aus einer Datenbank von Fakten einer Menge von Regeln einem Kontrollsystem mit Regelinterpreter Regeln sind in der Form: "Wenn-Dann" WENN Herdplatte heiss UND kein Topf auf Herd DANN schalte Herd aus DM () CBR und Inferenz 21 April / 31
30 Inferenzmechanismen Regelbasierte Systeme Regelbasierte Systeme Aufgabe des Kontrollsystems die Identifikation geeigneter Regeln das Anwenden ausgewählter Regeln sowie die Aktualisierung der Datenbank DM () CBR und Inferenz 21 April / 31
31 Inferenzmechanismen Regelbasierte Systeme Regelbasierte Systeme Aufgabe des Kontrollsystems die Identifikation geeigneter Regeln das Anwenden ausgewählter Regeln sowie die Aktualisierung der Datenbank DM () CBR und Inferenz 21 April / 31
32 Inferenzmechanismen Regelbasierte Systeme Regelbasierte Systeme Aufgabe des Kontrollsystems die Identifikation geeigneter Regeln das Anwenden ausgewählter Regeln sowie die Aktualisierung der Datenbank DM () CBR und Inferenz 21 April / 31
33 Inferenzmechanismen Regelbasierte Systeme Regelbasierte Systeme Aufgabe des Kontrollsystems die Identifikation geeigneter Regeln das Anwenden ausgewählter Regeln sowie die Aktualisierung der Datenbank DM () CBR und Inferenz 21 April / 31
34 Inferenzmechanismen Evolutionäre Algorithmen Evolutionäre Algorithmen Verfahren zur Lösung von Optimierungs- und Suchprobleme orientiert an der Evolutionstheorie der Biologie Problemlösungen sind sogenannte Individuen die mit Hilfe einer Fitnessfunktion bewertet werden DM () CBR und Inferenz 21 April / 31
35 Inferenzmechanismen Evolutionäre Algorithmen Evolutionäre Algorithmen Verfahren zur Lösung von Optimierungs- und Suchprobleme orientiert an der Evolutionstheorie der Biologie Problemlösungen sind sogenannte Individuen die mit Hilfe einer Fitnessfunktion bewertet werden DM () CBR und Inferenz 21 April / 31
36 Inferenzmechanismen Evolutionäre Algorithmen Evolutionäre Algorithmen Verfahren zur Lösung von Optimierungs- und Suchprobleme orientiert an der Evolutionstheorie der Biologie Problemlösungen sind sogenannte Individuen die mit Hilfe einer Fitnessfunktion bewertet werden DM () CBR und Inferenz 21 April / 31
37 Inferenzmechanismen Evolutionäre Algorithmen Evolutionäre Algorithmen Verfahren zur Lösung von Optimierungs- und Suchprobleme orientiert an der Evolutionstheorie der Biologie Problemlösungen sind sogenannte Individuen die mit Hilfe einer Fitnessfunktion bewertet werden DM () CBR und Inferenz 21 April / 31
38 Inferenzmechanismen Evolutionäre Algorithmen Evolutionäre Algorithmen Verfahren zur Lösung von Optimierungs- und Suchprobleme orientiert an der Evolutionstheorie der Biologie Problemlösungen sind sogenannte Individuen die mit Hilfe einer Fitnessfunktion bewertet werden DM () CBR und Inferenz 21 April / 31
39 Inferenzmechanismen Evolutionäre Algorithmen Evolutionäre Algorithmen Verfahren bei der Verbesserung der Individuen: Selektion Rekombination Eliminierung Ziel: die Generationen bzgl. ihrer Fitness zu verbessern => optimierten Problemlösungen zu erhalten DM () CBR und Inferenz 21 April / 31
40 Inferenzmechanismen Evolutionäre Algorithmen Evolutionäre Algorithmen Verfahren bei der Verbesserung der Individuen: Selektion Rekombination Eliminierung Ziel: die Generationen bzgl. ihrer Fitness zu verbessern => optimierten Problemlösungen zu erhalten DM () CBR und Inferenz 21 April / 31
41 Inferenzmechanismen Multi-Agenten-Systeme Multi-Agenten-Systeme das System wird in Komponenten zerlegt Agentenleben: Agenten können bestimmte Handlungen ausführen sie haben ein klares Ziel sie können mit anderen Agenten kommunizieren DM () CBR und Inferenz 21 April / 31
42 Inferenzmechanismen Multi-Agenten-Systeme Multi-Agenten-Systeme das System wird in Komponenten zerlegt Agentenleben: Agenten können bestimmte Handlungen ausführen sie haben ein klares Ziel sie können mit anderen Agenten kommunizieren DM () CBR und Inferenz 21 April / 31
43 Inferenzmechanismen Multi-Agenten-Systeme Multi-Agenten-Systeme das System wird in Komponenten zerlegt Agentenleben: Agenten können bestimmte Handlungen ausführen sie haben ein klares Ziel sie können mit anderen Agenten kommunizieren DM () CBR und Inferenz 21 April / 31
44 Inferenzmechanismen Multi-Agenten-Systeme Multi-Agenten-Systeme Ein Multi-Agenten-System entsteht: wenn mehrere Agenten in einer gemeinsamen Umgebung operieren in Wechselwirkung zueinander stehen Die wichtigsten Eigenschaften von MAS: optimierte Problembearbeitung hohe Fehlertoleranz durch Redundanz Wiederverwendbarkeit und Veränderungen DM () CBR und Inferenz 21 April / 31
45 Inferenzmechanismen Multi-Agenten-Systeme Multi-Agenten-Systeme Ein Multi-Agenten-System entsteht: wenn mehrere Agenten in einer gemeinsamen Umgebung operieren in Wechselwirkung zueinander stehen Die wichtigsten Eigenschaften von MAS: optimierte Problembearbeitung hohe Fehlertoleranz durch Redundanz Wiederverwendbarkeit und Veränderungen DM () CBR und Inferenz 21 April / 31
46 Neuronale Netze Inferenzmechanismen Neuronale Netze ein stark vereinfachtes Modell des menschlichen Gehirns die wesentliche Eigenschaft solcher neuronaler Netze ist ihre Lernfähigkeit Anwendung: Spracherkennung Erkennung von Unterschriften und Gesichtern Börsenkursentwicklungen DM () CBR und Inferenz 21 April / 31
47 Neuronale Netze Inferenzmechanismen Neuronale Netze ein stark vereinfachtes Modell des menschlichen Gehirns die wesentliche Eigenschaft solcher neuronaler Netze ist ihre Lernfähigkeit Anwendung: Spracherkennung Erkennung von Unterschriften und Gesichtern Börsenkursentwicklungen DM () CBR und Inferenz 21 April / 31
48 Neuronale Netze Inferenzmechanismen Neuronale Netze ein stark vereinfachtes Modell des menschlichen Gehirns die wesentliche Eigenschaft solcher neuronaler Netze ist ihre Lernfähigkeit Anwendung: Spracherkennung Erkennung von Unterschriften und Gesichtern Börsenkursentwicklungen DM () CBR und Inferenz 21 April / 31
49 Neuronale Netze Inferenzmechanismen Neuronale Netze ein stark vereinfachtes Modell des menschlichen Gehirns die wesentliche Eigenschaft solcher neuronaler Netze ist ihre Lernfähigkeit Anwendung: Spracherkennung Erkennung von Unterschriften und Gesichtern Börsenkursentwicklungen DM () CBR und Inferenz 21 April / 31
50 Stereotypen Inferenzmechanismen Stereotypen Technik zum Erwerb von Benutzermodellen Benutzer werden in Klassen eingeteilt (UML2) DM () CBR und Inferenz 21 April / 31
51 Stereotypen Inferenzmechanismen Stereotypen Technik zum Erwerb von Benutzermodellen Benutzer werden in Klassen eingeteilt (UML2) DM () CBR und Inferenz 21 April / 31
52 Stereotypen Inferenzmechanismen Stereotypen Technik zum Erwerb von Benutzermodellen Benutzer werden in Klassen eingeteilt (UML2) DM () CBR und Inferenz 21 April / 31
53 Stereotypen Inferenzmechanismen Stereotypen Technik zum Erwerb von Benutzermodellen Benutzer werden in Klassen eingeteilt (UML2) DM () CBR und Inferenz 21 April / 31
54 Stereotypen Inferenzmechanismen Stereotypen Technik zum Erwerb von Benutzermodellen Benutzer werden in Klassen eingeteilt (UML2) Aufstellung und Zuordnung von Stereotypen: Identifikation von Benutzeruntergruppen Identifikation von Schlüsselmerkmalen Repräsentation in (hierarchisch geordneten) Stereotypen DM () CBR und Inferenz 21 April / 31
55 CBR Kurzbeschreibung CBR CBR = "Cased-Based Reasoning" deutsch = fallbasiertes Schliessen Zentrale Aspekte: Fallbasis (case memory) Loesung eines gegebenen Problems, die Loesung eines aehnlichen und frueher bereits geloesten Problems man ahmt eine menschliche Verhaltensweise nach DM () CBR und Inferenz 21 April / 31
56 CBR Fallbasiertes Schliessen ist Was ist fallbasiertes Schliessen? ein Ansatz zur Modellierung des menschlichen Denkens ein Ansatz zum Bau von intelligenten Systemen Zentrale Grundidee: gemachte Erfahrungen (Fälle) werden gespeichert Zum Lösen einer neuen Aufgabe werden: + ähnliche Erfahrungen aus dem Speicher abgerufen + die Erfahrung im Kontext der neuen Situation wiederverwendet + hierbei neu gewonnene Erfahrungen werden wieder gespeichert DM () CBR und Inferenz 21 April / 31
57 CBR Fallbasiertes Schliessen ist Was ist fallbasiertes Schliessen? ein Ansatz zur Modellierung des menschlichen Denkens ein Ansatz zum Bau von intelligenten Systemen Zentrale Grundidee: gemachte Erfahrungen (Fälle) werden gespeichert Zum Lösen einer neuen Aufgabe werden: + ähnliche Erfahrungen aus dem Speicher abgerufen + die Erfahrung im Kontext der neuen Situation wiederverwendet + hierbei neu gewonnene Erfahrungen werden wieder gespeichert DM () CBR und Inferenz 21 April / 31
58 CBR Fallbasiertes Schliessen ist Was ist fallbasiertes Schliessen? ein Ansatz zur Modellierung des menschlichen Denkens ein Ansatz zum Bau von intelligenten Systemen Zentrale Grundidee: gemachte Erfahrungen (Fälle) werden gespeichert Zum Lösen einer neuen Aufgabe werden: + ähnliche Erfahrungen aus dem Speicher abgerufen + die Erfahrung im Kontext der neuen Situation wiederverwendet + hierbei neu gewonnene Erfahrungen werden wieder gespeichert DM () CBR und Inferenz 21 April / 31
59 CBR Fallbasiertes Schliessen ist Was ist fallbasiertes Schliessen? ein Ansatz zur Modellierung des menschlichen Denkens ein Ansatz zum Bau von intelligenten Systemen Zentrale Grundidee: gemachte Erfahrungen (Fälle) werden gespeichert Zum Lösen einer neuen Aufgabe werden: + ähnliche Erfahrungen aus dem Speicher abgerufen + die Erfahrung im Kontext der neuen Situation wiederverwendet + hierbei neu gewonnene Erfahrungen werden wieder gespeichert DM () CBR und Inferenz 21 April / 31
60 Was ist ein Fall? CBR Was ist fallbasiertes Schliessen? Ein Fall ist die Beschreibung einer bereits real aufgetretenen Problemsituation zusammen mit den Erfahrungen, die während der Bearbeitung des Problems gewonnen werden konnten DM () CBR und Inferenz 21 April / 31
61 CBR Woraus besteht ein Fall? Was ist fallbasiertes Schliessen? Problem Lösung eventuell auch aus: Kontext Lösungswege DM () CBR und Inferenz 21 April / 31
62 CBR Motivationen für fallbasiertes Schliessen Motivationen für fallbasiertes Schliessen Vermeidung eines hohen Wissensakquisitionsaufwandes Einfache Wartung des Wissens des Systems Höhere Qualität der entstehenden Lösungen Höhere Effizienz beim Problemlösen DM () CBR und Inferenz 21 April / 31
63 CBR Motivationen für fallbasiertes Schliessen Vermeidung hohen Wissensakquisitionsaufwandes DM () CBR und Inferenz 21 April / 31
64 CBR-Zyklus CBR CBR-Zyklus DM () CBR und Inferenz 21 April / 31
65 Retrieve CBR CBR-Zyklus in der Fallbasis ein möglichst ähnliches Problem zu ermitteln Herausforderung: Ähnlichkeit der Problembeschreibungen zu bestimmen DM () CBR und Inferenz 21 April / 31
66 Retrieve CBR CBR-Zyklus Bestimmung der Ähnlichkeit durch: Maße Erklärungsbasierte Verfahren Abstraktionsebenen Organisation der Fallbasis Lineare Liste Datenbanken Bäume etc DM () CBR und Inferenz 21 April / 31
67 Retrieve CBR CBR-Zyklus Bestimmung der Ähnlichkeit durch: Maße Erklärungsbasierte Verfahren Abstraktionsebenen Organisation der Fallbasis Lineare Liste Datenbanken Bäume etc DM () CBR und Inferenz 21 April / 31
68 Retrieve CBR CBR-Zyklus Bestimmung der Ähnlichkeit durch: Maße Erklärungsbasierte Verfahren Abstraktionsebenen Organisation der Fallbasis Lineare Liste Datenbanken Bäume etc DM () CBR und Inferenz 21 April / 31
69 Retrieve CBR CBR-Zyklus Bestimmung der Ähnlichkeit durch: Maße Erklärungsbasierte Verfahren Abstraktionsebenen Organisation der Fallbasis Lineare Liste Datenbanken Bäume etc DM () CBR und Inferenz 21 April / 31
70 Retrieve CBR CBR-Zyklus Bestimmung der Ähnlichkeit durch: Maße Erklärungsbasierte Verfahren Abstraktionsebenen Organisation der Fallbasis Lineare Liste Datenbanken Bäume etc DM () CBR und Inferenz 21 April / 31
71 Retrieve CBR CBR-Zyklus Bestimmung der Ähnlichkeit durch: Maße Erklärungsbasierte Verfahren Abstraktionsebenen Organisation der Fallbasis Lineare Liste Datenbanken Bäume etc DM () CBR und Inferenz 21 April / 31
72 Retrieve CBR CBR-Zyklus Bestimmung der Ähnlichkeit durch: Maße Erklärungsbasierte Verfahren Abstraktionsebenen Organisation der Fallbasis Lineare Liste Datenbanken Bäume etc DM () CBR und Inferenz 21 April / 31
73 Reuse CBR CBR-Zyklus Lösung des ähnlichsten Falls wird als ein erster Lösungsvorschlag übernommen damit Ausgangspunkt für die Lösung des neuen Problems DM () CBR und Inferenz 21 April / 31
74 Reuse CBR CBR-Zyklus Arten der Lösungsübertragung Kopieren der Lösung Lösungsanpassung durch den Benutzer Transformational Analogy Derivational Analogy Verwendete Methoden: Benutzerinteraktion Regelbasiertes Schließen Modellbasiertes Schließen DM () CBR und Inferenz 21 April / 31
75 Reuse CBR CBR-Zyklus Arten der Lösungsübertragung Kopieren der Lösung Lösungsanpassung durch den Benutzer Transformational Analogy Derivational Analogy Verwendete Methoden: Benutzerinteraktion Regelbasiertes Schließen Modellbasiertes Schließen DM () CBR und Inferenz 21 April / 31
76 Reuse CBR CBR-Zyklus Arten der Lösungsübertragung Kopieren der Lösung Lösungsanpassung durch den Benutzer Transformational Analogy Derivational Analogy Verwendete Methoden: Benutzerinteraktion Regelbasiertes Schließen Modellbasiertes Schließen DM () CBR und Inferenz 21 April / 31
77 Reuse CBR CBR-Zyklus Arten der Lösungsübertragung Kopieren der Lösung Lösungsanpassung durch den Benutzer Transformational Analogy Derivational Analogy Verwendete Methoden: Benutzerinteraktion Regelbasiertes Schließen Modellbasiertes Schließen DM () CBR und Inferenz 21 April / 31
78 Reuse CBR CBR-Zyklus Arten der Lösungsübertragung Kopieren der Lösung Lösungsanpassung durch den Benutzer Transformational Analogy Derivational Analogy Verwendete Methoden: Benutzerinteraktion Regelbasiertes Schließen Modellbasiertes Schließen DM () CBR und Inferenz 21 April / 31
79 Reuse CBR CBR-Zyklus Arten der Lösungsübertragung Kopieren der Lösung Lösungsanpassung durch den Benutzer Transformational Analogy Derivational Analogy Verwendete Methoden: Benutzerinteraktion Regelbasiertes Schließen Modellbasiertes Schließen DM () CBR und Inferenz 21 April / 31
80 Reuse CBR CBR-Zyklus Arten der Lösungsübertragung Kopieren der Lösung Lösungsanpassung durch den Benutzer Transformational Analogy Derivational Analogy Verwendete Methoden: Benutzerinteraktion Regelbasiertes Schließen Modellbasiertes Schließen DM () CBR und Inferenz 21 April / 31
81 Reuse CBR CBR-Zyklus Arten der Lösungsübertragung Kopieren der Lösung Lösungsanpassung durch den Benutzer Transformational Analogy Derivational Analogy Verwendete Methoden: Benutzerinteraktion Regelbasiertes Schließen Modellbasiertes Schließen DM () CBR und Inferenz 21 April / 31
82 Revise CBR CBR-Zyklus nicht immer kann man ein aktuelles Problem genau so lösen wie ein früheres hier werden alte Lösungen überprüft und passt sie an das neue Problem an DM () CBR und Inferenz 21 April / 31
83 Revise CBR CBR-Zyklus Art der Überprüfung: Überprüfung der Lösung durch Simulation Überprüfung der Lösung in einer realen Umgebung Revisionskritrien Korrektheit der Lösung Qualität der Lösung DM () CBR und Inferenz 21 April / 31
84 Revise CBR CBR-Zyklus Art der Überprüfung: Überprüfung der Lösung durch Simulation Überprüfung der Lösung in einer realen Umgebung Revisionskritrien Korrektheit der Lösung Qualität der Lösung DM () CBR und Inferenz 21 April / 31
85 Revise CBR CBR-Zyklus Art der Überprüfung: Überprüfung der Lösung durch Simulation Überprüfung der Lösung in einer realen Umgebung Revisionskritrien Korrektheit der Lösung Qualität der Lösung DM () CBR und Inferenz 21 April / 31
86 Revise CBR CBR-Zyklus Art der Überprüfung: Überprüfung der Lösung durch Simulation Überprüfung der Lösung in einer realen Umgebung Revisionskritrien Korrektheit der Lösung Qualität der Lösung DM () CBR und Inferenz 21 April / 31
87 Revise CBR CBR-Zyklus Art der Überprüfung: Überprüfung der Lösung durch Simulation Überprüfung der Lösung in einer realen Umgebung Revisionskritrien Korrektheit der Lösung Qualität der Lösung DM () CBR und Inferenz 21 April / 31
88 Retain CBR CBR-Zyklus der überarbeitete Fall wird in der Fallbasis abgespeichert er steht damit für zukünftige Anfragen zur Verfügung dadurch lernt das System mit jedem weiteren gelösten Problem hinzu DM () CBR und Inferenz 21 April / 31
89 Retain CBR CBR-Zyklus Was kann das System bei einen durchlauf lernen? Neue Erfahrung Ähnlichkeitsbewertung, Bedeutung von einzelnen Merkmalen Organisation der Fallbasis (Effizienz) Lösungsanpassung Verwendete Methoden speichern neuer Fälle löschen von Fällen Induktion etc DM () CBR und Inferenz 21 April / 31
90 Retain CBR CBR-Zyklus Was kann das System bei einen durchlauf lernen? Neue Erfahrung Ähnlichkeitsbewertung, Bedeutung von einzelnen Merkmalen Organisation der Fallbasis (Effizienz) Lösungsanpassung Verwendete Methoden speichern neuer Fälle löschen von Fällen Induktion etc DM () CBR und Inferenz 21 April / 31
91 Retain CBR CBR-Zyklus Was kann das System bei einen durchlauf lernen? Neue Erfahrung Ähnlichkeitsbewertung, Bedeutung von einzelnen Merkmalen Organisation der Fallbasis (Effizienz) Lösungsanpassung Verwendete Methoden speichern neuer Fälle löschen von Fällen Induktion etc DM () CBR und Inferenz 21 April / 31
92 Retain CBR CBR-Zyklus Was kann das System bei einen durchlauf lernen? Neue Erfahrung Ähnlichkeitsbewertung, Bedeutung von einzelnen Merkmalen Organisation der Fallbasis (Effizienz) Lösungsanpassung Verwendete Methoden speichern neuer Fälle löschen von Fällen Induktion etc DM () CBR und Inferenz 21 April / 31
93 Retain CBR CBR-Zyklus Was kann das System bei einen durchlauf lernen? Neue Erfahrung Ähnlichkeitsbewertung, Bedeutung von einzelnen Merkmalen Organisation der Fallbasis (Effizienz) Lösungsanpassung Verwendete Methoden speichern neuer Fälle löschen von Fällen Induktion etc DM () CBR und Inferenz 21 April / 31
94 Retain CBR CBR-Zyklus Was kann das System bei einen durchlauf lernen? Neue Erfahrung Ähnlichkeitsbewertung, Bedeutung von einzelnen Merkmalen Organisation der Fallbasis (Effizienz) Lösungsanpassung Verwendete Methoden speichern neuer Fälle löschen von Fällen Induktion etc DM () CBR und Inferenz 21 April / 31
95 Retain CBR CBR-Zyklus Was kann das System bei einen durchlauf lernen? Neue Erfahrung Ähnlichkeitsbewertung, Bedeutung von einzelnen Merkmalen Organisation der Fallbasis (Effizienz) Lösungsanpassung Verwendete Methoden speichern neuer Fälle löschen von Fällen Induktion etc DM () CBR und Inferenz 21 April / 31
96 Retain CBR CBR-Zyklus Was kann das System bei einen durchlauf lernen? Neue Erfahrung Ähnlichkeitsbewertung, Bedeutung von einzelnen Merkmalen Organisation der Fallbasis (Effizienz) Lösungsanpassung Verwendete Methoden speichern neuer Fälle löschen von Fällen Induktion etc DM () CBR und Inferenz 21 April / 31
97 CBR CBR-Zyklus Aufgabenklassen für CBRs DM () CBR und Inferenz 21 April / 31
Projektgruppe KIMAS. 1. Case-based Reasoning 2. Retrieval Li Liu. Case-based Reasoning. Gliederung
Projektgruppe KIMAS Case-based Reasoning 5.9.2003 Li Liu Gliederung 1. Case-based Reasoning 2. Retrieval 2.1 Fallrepräsentation 2.2 Ähnlichkeitsbestimmung 3. Revise 4. Reuse 5. Retain 6. Fazit Projektgruppe
MehrInhalt. Wissensbasierte Diagnose Entscheidungsbäume Bayes-Netze Fallbasiertes Schließen Funktionsorientierte Diagnose Modellbasierte Systeme
Inhalt 2 Wissensbasierte Diagnose 3 Diagnose bezeichnet hier das Rückschließen auf mögliche Ursachen, welche zu beobachtbaren Wirkungen führen. Heutige Diagnosesysteme haben gute Diagnosebasisfunktionen,
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
MehrFallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994:
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994: 1. Retrieve the most similar case 2. Reuse the solution and other information of the case 3. Revise the proposed
MehrFallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994:
Fallbasiertes Schließen (Case-based Reasoning, CBR) CBR-Zyklus nach Aamodt und Plaza 1994: 1 Retrieve the most similar case 2 Reuse the solution and other information of the case 3 Revise the proposed
MehrAUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM
AUTOMATION DER ANALYSE UND VORHERSAGE VON ENERGIEDATEN AI-BASED IOT PLATFORM ifesca GmbH GRÜNDUNG DURCH EHEMALIGE FRAUNHOFER- WISSENSCHAFTLER EXPERTEN AUF DEM GEBIET ENERGIE- WIRTSCHAFT UND SOFTWARETECHNIK
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?
Mehr10. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 10. Vorlesung Stochastische Optimierung Genetische Algorithmen 10. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrAutomatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:
02. Mai 2005 P R O J E C T C O N S U L T GmbH GmbH 1 Agenda Einführung Automatische Klassifikation Qualität Veränderung des Arbeitsumfeldes Ausblick GmbH 2 1 Einführung GmbH 3 Eine Herausforderung geordnete
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrFuzzy Logic und Wahrscheinlichkeit
Philosophische Fakultät Institut für Philosophie, Lehrstuhl für Theoretische Philosophie, Holm Bräuer M.A. Fuzzy Logic und Wahrscheinlichkeit Ein Kurzüberblick Was ist Fuzzy Logic? Fuzzy-Logik (englisch:
MehrKI Seminar Vortrag Nr. 9 Unsicheres Wissen. Einleitung. Grundlagen. Wissen Ansätze. Sicherheitsfaktoren. Ansatz Probleme. Schlussfolgerungsnetze
Einleitung KI Seminar 2005 Vortrag Nr. 9 Unsicheres 1 Motivation Vögel können fliegen! 2 : Zuordnung von Wahrheitswerten, Wahrscheinlichkeitsgraden,. zu Aussagen, Ereignissen, Zuständen, 3 3 Eigenschaften
MehrAgent. Agentensysteme: Eine praktische Einführung. von agere (lat.): u.a. tätig sein, handeln
Agent von agere (lat.): u.a. tätig sein, handeln 1) allgemein: jeder im Auftrag oder Interesse eines anderen Tätige. 2) Nachrichtendienste: Spion. 3) Kunstbetrieb: jemand, der berufsmäßig Künstlern Engagements
MehrProceedings 11. Workshop Fuzzy Control des GMA-FA 5.22
Forschungszentrum Karlsruhe Technik und Umwelt Wissenschaftliche Berichte FZKA 6660 Proceedings 11. Workshop Fuzzy Control des GMA-FA 5.22 Dortmund, 28.-30. November 2001 Ralf Mikut, Markus Reischl (Hrsg.)
MehrVon Big Data zu Deep Insights
Von Big Data zu Deep Insights Prof. Dr. Dirk Nowotka Christian-Albrechts-Universität zu Kiel Maritime IT 2013 Big Data = Überwachung + Marketing? Kommunikations- und Kundendaten XKeyScore, Google Ads,
Mehr/26
7 8 3 3 7 2 8 2 8. /2 Sudoku 2 2 3 3 7 7 8 8 8 Füllen Sie die leeren Felder so aus, dass in jeder Zeile, in jeder Spalte und in jedem 3x3 Kästchen alle Zahlen von bis stehen.. 2/2 Warum? 7 8 3 3 7 2 8
MehrStatistische Kodierprüfung mit Casematch. Tim Peter Geschäftsführer eonum AG
Statistische Kodierprüfung mit Casematch Tim Peter Geschäftsführer eonum AG Übersicht Wie funktioniert statistische Kodierprüfung? Vergleich statistische Prüfung vs. regelbasierte Prüfung? Kodierprüfung
MehrNOW YOU KNOW [ONTOS TM WHITE PAPER SERIES] Intelligentes Information Mining durch Ontologie [YVES BRENNWALD, ONTOS INTERNATIONAL AG]
NOW YOU KNOW [ SERIES] Intelligentes Information Mining durch Ontologie [YVES BRENNWALD, ONTOS INTERNATIONAL AG] 001 Information Mining Wissen in unstrukturierten Daten aufdecken Information Mining ist
MehrTeil VIII. Weiterführende Veranstaltungen im FG Wissensverarbeitung
Teil VIII Weiterführende Veranstaltungen im FG Wissensverarbeitung Überblick 1 Zusammenfassung AlgoDS 2 Datenbanken 3 Internet-Suchmaschinen 4 Knowledge Discovery 5 Künstliche Intelligenz 6 Seminare &
MehrExpertensysteme / XPS
Expertensysteme / XPS Alexander Pentzlin und Thiemo Bannasch KI II Claes Neuefeind 27.06.2012 1 Inhalt Was ist ein Expertensystem Geschichtlicher Hintergrund Prinzip eines XPS Komponenten Realisierungsprinzipien
MehrFallbasierte Bewertung von Internet-Domainnamen. Von Sebastian Dieterle
Fallbasierte Bewertung von Internet-Domainnamen Von Sebastian Dieterle Einleitung Einleitung Grundlagen Ansatz Evaluierung Schlussfolgerungen 2 Entstehung eines interdisziplinären Ansatzes 2002-: Unternehmensgründung
MehrTeil II: Einstieg in Expertensysteme
Teil II: Einstieg in Expertensysteme Begriffsbestimmung: Was sind wissensbasierte Systeme? Die beiden Begriffe Expertensystem und wissensbasiertes System werden weitgehend synonym verwendet für Softwaresysteme,
MehrKünstliche Intelligenz. Potential und Anwendung
Künstliche Intelligenz Potential und Anwendung Menschliche Intelligenz Intelligentere Maschinen dank künstlicher Intelligenz Bilder Bilder Texte Sprache Texte Sprache Verstehen von strukturierten und unstrukturierten
MehrKünstliche Intelligenz
Künstliche Intelligenz Bearbeitet von Uwe Lämmel, Jürgen Cleve 4., aktualisierte Auflage 2012. Buch. 336 S. ISBN 978 3 446 42758 7 Format (B x L): 18 x 24,5 cm Gewicht: 717 g Weitere Fachgebiete > EDV,
MehrEvolutionäre Algorithmen Einführung
Evolutionäre Algorithmen Einführung Prof. Dr. Rudolf Kruse Pascal Held {kruse,pheld}@iws.cs.uni-magdeburg.de Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik Institut für Wissens- und Sprachverarbeitung
Mehr- Soccer Simulation - Dietmar Lammers / Hochschultag. Institut für Informatik Universität Münster. Agenten und Roboter.
Agenten Agenten und - Soccer Simulation - Institut für Informatik Universität Münster 2008-11-06 / Hochschultag Gliederung Agenten 1 Agenten 2 3 4 2006 2007 5 Agenten - Agenten Autonom agierende Programme
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
MehrSozialwissenschaftliche Modelle und Daten SoSe 2010
Sozialwissenschaftliche Modelle und Daten SoSe 2010 LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel C. Dudel Sozialwissenschaftliche Modelle und Daten SoSe 2010 1 23 1 Formalia 2
MehrAdaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff
Adaptive Systeme Evolutionäre Algorithmen: Überlebenskampf und Evolutionäre Strategien Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff Überblick Einleitung Adaptive Filter Künstliche
MehrRheinisch Westfälische Technische Hochschule Aachen Lehr- und Forschungsgebiet Informatik 4 Prof. Dr. Ing. Felix Freiling. Seminar: SeVVes 2006
Rheinisch Westfälische Technische Hochschule Aachen Lehr- und Forschungsgebiet Informatik 4 Prof. Dr. Ing. Felix Freiling Seminar: SeVVes 2006 alternative Authentifizierungsverfahren: Passfaces & CAPTCHAs
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
MehrBranchenneutrale Software-Systeme
Branchenneutrale Software-Systeme Neben Standard-Software findet sich ein breiter Markt an branchenneutralen Software-Systemen. Aus der Sicht der Pflegeinformatik gehören zu den branchenneutralen Software-
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
MehrMicrosoft Azure Deutschland ist jetzt verfügbar -
MANAGEMENT = intuitives Bedienen von Stellschrauben? Betriebswirtschaftliches Optimum Lieber: MANAGEMENT = systematisches Bedienen von Stellschrauben unter Nutzung von Hilfsmitteln. Stellschraube 1 S
MehrWissensbasiertes Prozessmanagement
Wissensbasiertes Prozessmanagement Prof. Dr. Ralph Bergmann Universität Trier Wirtschaftsinformatik II: Künstliche Intelligenz & Intelligente Informationssysteme Prof. Dr. Norbert Kuhn Hochschule Trier
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
MehrModellierungsbeispiel Geräte
Was bisher geschah Modellierung von Aussagen in (klassischer) Aussagenlogik Syntax: Aussagenvariablen sind Atome Junktoren,,,, induktive Definition: Baumstruktur der Formeln strukturelle Induktion äquivalente
Mehr12. Vorlesung Stochastische Optimierung
Soft Control (AT 3, RMA) 12. Vorlesung Stochastische Optimierung Differential Evolution 12. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter"
MehrData Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse
Data Warehouse Definition (1) http://de.wikipedia.org/wiki/data-warehouse Ein Data-Warehouse bzw. Datenlager ist eine zentrale Datensammlung (meist eine Datenbank), deren Inhalt sich aus Daten unterschiedlicher
MehrKonzepte der AI. Unsicheres Schließen
Konzepte der AI Unsicheres Schließen http://www.dbai.tuwien.ac.at/education/aikonzepte/ Wolfgang Slany Institut für Informationssysteme, Technische Universität Wien mailto: wsi@dbai.tuwien.ac.at, http://www.dbai.tuwien.ac.at/staff/slany/
MehrTiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining
Tiefgreifende Prozessverbesserung und Wissensmanagement durch Data Mining Ausgangssituation Kaizen Data Mining ISO 9001 Wenn andere Methoden an ihre Grenzen stoßen Es gibt unzählige Methoden, die Abläufe
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:
MehrErfolg mit Oracle BI?
Erfolg mit Oracle BI? Typische Fehlerszenarien und deren Lösung Gerd Aiglstorfer G.A. itbs GmbH Das Thema 2 Oracle BI (OBIEE)? Das war eine Fehlentscheidung! Viel zu umständlich! Wenig Flexibilität & teure
Mehr7. Vorlesung Neuronale Netze
Soft Control (AT 3, RMA) 7. Vorlesung Neuronale Netze Grundlagen 7. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrHandbuch Wissensmanagement
Matthias Haun Handbuch Wissensmanagement Grundlagen und Umsetzung, Systeme und Praxisbeispiele Mit 75 Abbildungen ÄJ Springer 1 Einleitung 1 1.1 Motivation 1 1.2 Ziel 1 1.3 Wissenschaftstheoretische Grundlage
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrWorkload: 150 h ECTS Punkte: 5
Modulbezeichnung: Modulnummer: DLBINGDABD Modultyp: Pflicht Data Analytics und Big Data Semester: -- Dauer: Minimaldauer 1 Semester Regulär angeboten im: WS, SS Workload: 150 h ECTS Punkte: 5 Zugangsvoraussetzungen:
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
Mehr// DAS BRANDED CONTENT MANAGEMENT- UND SALES-TOOL.
// DAS BRANDED CONTENT MANAGEMENT- UND SALES-TOOL. Ihr digitaler, wissenschaftlich fundierter Assistent. Optimieren Sie die Qualität Ihrer Product Placement und Branded Entertainment Maßnahmen. Mit der
MehrJens Schmidt Senior Member Technical Staff
Jens Schmidt Senior Member Technical Staff Oracle 9i Data Mining Connector 1.1 für mysap BW Agenda Data Mining Grundlagen Der Data Mining Prozess Oracle Data Mining Integration mit mysap BW Agenda Data
MehrECDL MODUL COMPUTING. Syllabus Version 1.0
ECDL MODUL COMPUTING Syllabus Version 1.0 DLGI Dienstleistungsgesellschaft für Informatik Am Bonner Bogen 6 53227 Bonn Tel.: 0228-688-448-0 Fax: 0228-688-448-99 E-Mail: info@dlgi.de, URL: www.dlgi.de In
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
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrVISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN
VISUAL BUSINESS ANALYTICS EFFEKTIVER ZUGANG ZU DATEN UND INFORMATIONEN IGD_Folienvorlage_v2010.10.ppt Prof. Dr.-Ing. Jörn Kohlhammer Fraunhofer-Institut für Graphische Datenverarbeitung IGD Fraunhoferstraße
MehrEinleitung und Intelligente Agenten MAS-Seminar - SS2008
Einleitung und Intelligente Agenten MAS-Seminar - SS2008 Daniel Kühn Dorothe Schneider Tessa-Karina Tews 17. April 2008 1 Einführung 1.1 Trends in der Geschichte der Berechnung Die Geschichte von Berechnung
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
Mehr7. Dynamische Datenstrukturen Bäume. Informatik II für Verkehrsingenieure
7. Dynamische Datenstrukturen Bäume Informatik II für Verkehrsingenieure Übersicht dynamische Datenstrukturen Wozu? Oft weiß man nicht von Beginn an, wieviele Elemente in einer Datenstruktur untergebracht
MehrWissensrepräsentation
Wissensrepräsentation Vorlesung Sommersemester 2008 12. Sitzung Dozent Nino Simunic M.A. Computerlinguistik, Campus DU Übersicht Rückblick, Zusammenhänge Mysterien 2 Inhalte im abstrakten Überblick Künstliche
MehrIntelligenz in Datenbanken. Dr. Stefan Freundt Star512 Datenbank GmbH. star512 datenbank gmbh
Intelligenz in Datenbanken Dr. Stefan Freundt Star512 Datenbank GmbH Einleitung Definition von Business! Definition von Intelligenz? Künstliche Intelligenz: Motivation Schach erfordert Intelligenz ==>
MehrMerkmalserkennungs- und Klassifikationssystem (MEKS)
Merkmalserkennungs- und Klassifikationssystem (MEKS) S. Hafner Univ.-GHS Paderborn, Abteilung Meschede Tel.: (0291) 9910-330, Fax: (0291) 9910-330 Email: Hafner@meschede.uni-paderborn.de Kurzfassung Die
MehrEinführung in die AI
1 Einführung in die AI Prof. Georg Gottlob Institut für Informationssysteme Technische Universität Wien Folien zur Vorlesung Konzepte der Artificial Intelligence 3 Zum Begriff Artificial Intelligence AI:
MehrIntelligente Systeme
Intelligente Systeme Computational Intelligence Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Arbeitsgruppe Computational Intelligence Institut für Wissens- und Sprachverarbeitung
MehrWie Software Roboter Ihre Mitarbeiter unterstützen oder sogar ersetzen können
Wie Software Roboter Ihre Mitarbeiter unterstützen oder sogar ersetzen können Michael Darnieder TEDEXA GmbH - Mainz Über TEDEXA Gegründet 2015 TEam for DEveloping X(cross)- platform Applications Desktop,
MehrSynthese Eingebetteter Systeme. Übung 6
12 Synthese Eingebetteter Systeme Sommersemester 2011 Übung 6 Michael Engel Informatik 12 TU Dortmund 2011/07/15 Übung 6 Evolutionäre Algorithmen Simulated Annealing - 2 - Erklären Sie folgende Begriffe
MehrLehrwerk: Lambacher Schweizer, Klett Verlag
Thema I: Lineare und lineare Gleichungen 1. Lineare 2. Aufstellen von linearen Funktionsgleichungen 3. Nullstellen und Schnittpunkte 1. Klassenarbeit Thema II: Reelle 1. Von bekannten und neuen 2. Wurzeln
MehrATHION ALPHA AM PULS DER ENERGIE
ATHION ALPHA AM PULS DER ENERGIE Komplexe Energiesysteme intelligent managen Herausforderung und Lösung ENERGIE 4.0 DIE ZUKUNFT IST DIGITAL Das Management von Energiesystemen ist komplex, denn es gilt
MehrData/Information Quality Management
Data/Information Quality Management Seminar WI/Informationsmanagement im Sommersemester 2002 Markus Berberov, Roman Eder, Peter Gerstbach 11.6.2002 Inhalt! Daten und Datenqualität! Einführung und Definition!
MehrKünstliche Intelligenz für Ingenieure
Künstliche Intelligenz für Ingenieure von Prof. Dr.-Ing. Jan Lunze 2., völlig überarbeitete Auflage Oldenbourg Verlag München Verzeichnis der Anwendungsbeispiele Hinweise zum Gebrauch des Buches xvii xxiii
MehrCase-based Reasoning und Strategische Unternehmensberatung
Otto-Friedrich-Universität Bamberg Professur für Angewandte Informatik / Kognitive Systeme KogSys-Seminar Analogie Case-based Reasoning und Strategische Unternehmensberatung Alexei Kosucho Bamberg, 2008
MehrKapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen.
Kapitel 5 Prognose Josef Leydold c 2006 Mathematische Methoden V Prognose 1 / 14 Lernziele Aufgabe der Prognose Problemtypen Ablauf einer Prognoseaufgabe Zeitreihe Josef Leydold c 2006 Mathematische Methoden
MehrKünstliche Intelligenz
George F. Luger 2008 AGI-Information Management Consultants May be used for personal purporses only or by libraries associated to dandelon.com network. Künstliche Intelligenz Strategien zur Lösung komplexer
Mehr2. Vorlesung Expertensysteme
Soft Control (AT 3, RMA) 2. Vorlesung Expertensysteme 2. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 4. Einführung: Umgebungen und Problemlösungsverfahren Malte Helmert Universität Basel 2. März 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
MehrModellierung von Non Player Chareacters
Modellierung von Non Player Chareacters Konzeption Künstlicher Charaktere Games Summer Camp 2006 Cindy Löther Inhalt 1 Einleitung 2 Definitionen 3 Non Player Characters (NPC) 4 Modellierung von NPCs 5
MehrSpezifikation von Handlungen von Agenten
Spezifikation von Handlungen von Agenten dargestellt am Beispiel der Sprache LORA aus M. Wooldridge: Reasoning about Rational Agents Vortrag im Projektseminar Logiken für Multiagentensysteme Im WS 2003/04
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrMethoden, Chancen und Risiken beim Auswerten großer Datenmengen
Methoden, Chancen und Risiken beim Auswerten großer Datenmengen Peter Dauscher Gymnasium am Kaiserdom, Speyer peter dauscher gak speyer de Data-Mining in der Schule - Eine Annäherung
MehrAlgorithmen. Von Hammurapi bis Gödel. von Jochen Ziegenbalg, Oliver Ziegenbalg, Bernd Ziegenbalg. überarbeitet
Algorithmen Von Hammurapi bis Gödel von Jochen Ziegenbalg, Oliver Ziegenbalg, Bernd Ziegenbalg überarbeitet Algorithmen Ziegenbalg / Ziegenbalg / Ziegenbalg schnell und portofrei erhältlich bei beck-shop.de
MehrIntelligente Systeme
Intelligente Systeme Fallbasiertes Schließen Prof. Dr. R. Kruse C. Braune {kruse,cbraune}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrEvolution und Algorithmen
Kapitel 6 Spezialvorlesung Modul 10-202-2206 (Fortgeschrittene Methoden in der Bioinformatik) Jana Hertel Professur für Bioinformatik Institut für Informatik Universität Leipzig Machine learning in bioinformatics
MehrÜbersicht. 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
MehrInterdisziplinäre fachdidaktische Übung: Sprache und Modelle. SS 2015: Grossmann, Jenko
Interdisziplinäre fachdidaktische Übung: Sprache und Modelle SS 2015: Grossmann, Jenko Einleitung Was ist ein Modell? Sprachlich orientierte Modelle Beispiele Wie entstehen Modelle? Zusammenhang Modell
MehrEin verändertes Gesicht der Informatik am Gymnasium Lehrplanänderungen 2003 Lehramt Informatik
Ein verändertes Gesicht der Informatik am Gymnasium Lehrplanänderungen 2003 Lehramt Informatik Inhaltsübersicht Informationszentrierter Ansatz - neue Lehrpläne in Bayern Informatik in der Unterstufe Lehrplanübersicht
MehrSmart Grids dezentrale Energieversorgung der Zukunft
Smart Grids dezentrale Energieversorgung der Zukunft Wilhelm Büchner Hochschule 25. Oktober 2017 Inhalt 1. Kooperatives Promotionsverfahren 2. Motivation 3. Referenzmodell 4. Dezentraler Lösungsansatz
MehrFokus auf die menschliche. mit AI-basiertem Matching. Komponente im Recruiting. Webinar am Martin Lenz, JOBIQO
Fokus auf die menschliche Komponente im Recruiting mit AI-basiertem Matching Webinar am 23.01.2019 Martin Lenz, JOBIQO Martin Lenz Geschäftsführer, JOBIQO Background: + Studium Informatik & MBA + ca. 10
MehrAdvanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.
Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken
MehrVERHANDLUNGSTRATEGIEN VON SOFTWARE AGENTEN. Henrik Brauer
1 VERHANDLUNGSTRATEGIEN VON SOFTWARE AGENTEN Henrik Brauer INHALT Problemstellung Verhandlungsmodell Domänentypen in Multiagentensystemen Verhandlungsbereich in aufgabenorientierten Domänen Verhandlungsstrategie
MehrEinführung in die Programmierung Wintersemester 2016/17
Einführung in die Programmierung Wintersemester 2016/17 Prof. Dr. Günter Rudolph Lehrstuhl für Algorithm Engineering Fakultät für Informatik TU Dortmund Einleitung Gliederung Zum Begriff Informatik Zum
MehrKapitel 1 1 Einleitung
Kapitel 1 Einleitung 1 1 1 Einleitung 1 Einleitung Die Informatik begegnet uns im Alltag ständig. Einmal natürlich als Rechenanlagen, die wir in Büros, Arztpraxen und zu Hause sehen. Zum anderen ist sie
MehrArbeitsgruppe Neuroinformatik
Arbeitsgruppe Neuroinformatik Prof. Dr. Martin Riedmiller Martin.Riedmiller@uos.de Martin Riedmiller, Univ. Osnabrück, Martin.Riedmiller@uos.de Arbeitsgruppe Neuroinformatik 1 Leitmotiv Zukünftige Computerprogramme
MehrKünstliche Intelligenz
Künstliche Intelligenz Inhalt Flirts mit einem Roboter Simulation als bare Münze Die Qualität der Emergenz Artificial Life Künstliches Leben im Computer Flirts mit einem Roboter Mensch-Maschine Beziehung
Mehr3. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 3. Vorlesung Fuzzy Systeme Fuzzy Mengen 3. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
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
Mehr