KI Seminar Vortrag Nr. 9 Unsicheres Wissen. Einleitung. Grundlagen. Wissen Ansätze. Sicherheitsfaktoren. Ansatz Probleme. Schlussfolgerungsnetze
|
|
- Waltraud Simen
- vor 5 Jahren
- Abrufe
Transkript
1 Einleitung KI Seminar 2005 Vortrag Nr. 9 Unsicheres 1
2 Motivation Vögel können fliegen! 2
3 : Zuordnung von Wahrheitswerten, Wahrscheinlichkeitsgraden,. zu Aussagen, Ereignissen, Zuständen, 3
4 3 Eigenschaften von Impräzision Unsicherheit Vagheit 4
5 : Impräzision Das Auto ist blau oder grün Der Eimer wiegt zwischen 15 und 20 Kilogramm. Zuordnung einer Menge zu einer Eigenschaft 5
6 : Unsicherheit Das Auto ist nicht etwa rot Der Eimer wiegt keine 25 kg Nicht alle Alternativen sind in einer Aussage enthalten Sowohl präzise als auch impräzise Aussagen können unsicher sein! 6
7 : Vagheit Draußen ist es heiß Peter ist groß Zuordnung von Werten nur in Extrembereichen möglich Werte nicht exakt bestimmbar 7
8 : Regelbasierter Auch nicht wahre Aussagen sind zugelassen Jeder Regel ist ein Zahlenwert zugeordnet der die Sicherheit angibt bei der praktischen Anwendung 8
9 : Abbildung des s als Raum Aufteilung in Unterräume Schließen von Unterräumen auf Gesamtraum möglich 9
10 : Fuzzy Logik Zuordnung von Mengen zu linguistischen Variablen: 10
11 zum Umgang mit Unsicherheit in WBS Regeln in Form von Implikationen Regeln zugelassen die keine verlässlichen Schlüsse zulassen MYCIN: Medizinisches Expertensystem 11
12 Falls S 1 : Die Färbung des Organismus ist grampositiv und S 2 : Das Erscheinungsbild ist kokkenförmig und S 3 : Die Wachstumsform ist Kettenförmig dann gibt es Anzeichen dafür (0,7) dass H: Der Typ des Organismus ist Streptokokke MYCIN Regel: 0.7 S 1 S 2 S 3 H 12
13 Interpretation als Wahrscheinlichkeit: P H S 1 S 2 S P H S 1 S 2 S Daraus folgt aber auch: S 1 S 2 S H 13
14 Interpretation als Vertrauensänderung: P(H) A-Priori Wahrscheinlichkeit P(H E) A-Posteriori Wahrscheinlichkeit P(H E) > P(H) Vertrauen in H nimmt zu. P(H E) < P(H) Vertrauen in H nimmt ab. 14
15 Maß des Vertrauens MB H E P H E P H 1 P H, fallsp H E P H 0, sonst Maß des Misstrauens MD H E P H P H E P H, falls P H E P H 0, sonst 15
16 Definition Sicherheitsfaktor CF H E MB H E MD H E Wenn E eintritt steigt die Überzeugung dass H gilt um MB. Wenn E eintritt sinkt die Überzeugung dass H gilt um MD. 16
17 Es müssen harte Bedingungen für die sbasis gelten: Die Wertebereiche der Variablen enthalten genau zwei Werte Netz der sbasis weist Baumstruktur auf Bedingte Unabhängigkeit von Evidenzen bezüglich Hypothesen Bedingte Unabhängigkeit üblicherweise nicht realisierbar! 17
18 Probabilistische lässt sich in einem Raum darstellen Räume lassen sich in Unterräume zerlegen Aus der Verteilungen in den Unterräumen lassen sich alle Schlussfolgerungen ziehen 18
19 Probabilistische Eine Menge von Objekten 19
20 Probabilistische Darstellung als Relation 20
21 Probabilistische Darstellung des Schlussfolgerungsraumes 21
22 Probabilistische Direktes Schlussfolgern Bekannt: Objekt ist rot 22
23 Probabilistische Evidenzpropagation Projektionen auf Unterräume 23
24 Probabilistische Evidenzpropagation Zylindrische Erweiterung und Schnitt 24
25 Probabilistische Evidenzpropagation Schließen in den Unterräumen 25
26 Probabilistische Evidenzpropagation Darstellung als Netz Bei höherdimensionalen Unterräumen entstehen mehr Kanten zwischen den Knoten 26
27 Probabilistische Evidenzpropagation Wahl anderer Projektionen 27
28 Probabilistische Evidenzpropagation bei der Zerlegbarkeit 28
29 Probabilistische Schlussfolgern im Gesamtraum in realen Anwendungen zu komplex Schwierigkeit: Finden guter Zerlegungen Suchen einer Lösung mit möglichst wenig Zusatzinformation Zerlegung algorithmisch möglich 29
30 Fuzzy Regelung Verarbeitung von unscharfen Regeln Wenn die Nachfrage steigt kann der Preis erhöht werden Einsatz in der Regelungstechnik 30
31 Fuzzy Regelung Ein Regelkreis 31
32 Fuzzy Regelung Ein Fuzzy Regler 32
33 Fuzzy Regelung Eine Klimaanlagenregelung Temperatur kalt kühl lau warm heiß Geschwindigkeit aus langsam mittel schnell turbo 33
34 Fuzzy Regelung Die Fuzzy Mengen 34
35 Fuzzy Regelung Eine messung: T=12 C 35
36 Fuzzy Regelung Eine messung: T=12 C 36
37 Fuzzy Regelung Anwendung der Regeln 12 C 0,8 12 C kühl lau 0,2 kalt 0 0 aus kühl 0,8 0,8 langsam lau 0,2 0,2 mittel warm 0 0 schnell heiß 0 0 turbo 37
38 Fuzzy Regelung Skalierung der Werte 38
39 Fuzzy Regelung Defuzzyfizierung: Schwerpunktmethode y y x 1,...,x n y dy x 1,...,x n y dy 24 39
40 Fuzzy Regelung Vielen Dank für die Aufmerksamkeit 40
Evidenzpropagation in Bayes-Netzen und Markov-Netzen
Einleitung in Bayes-Netzen und Markov-Netzen Thomas Thüm 20. Juni 2006 1/26 Thomas Thüm in Bayes-Netzen und Markov-Netzen Übersicht Einleitung Motivation Einordnung der Begriffe 1 Einleitung Motivation
MehrBayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (1) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (1) 1 / 22 Gliederung 1 Unsicheres Wissen 2 Schließen
Mehr5 Fuzzy Unscharfe Mengen
5 Fuzzy Unscharfe Mengen Fuzzy Unscharfe Mengen Motivation Einfaches Modell eines Fuzzy Reglers Unscharfe Mengen Interpretation linguistischer Werte Operationen auf unscharfen Mengen Fuzzy Relationen Fuzzy
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
MehrFuzzy-Logik und Fuzzy-Control
Georg Jaanineh / Markus Maijohann Fuzzy-Logik und Fuzzy-Control Vogel Buchverlag Inhaltsverzeichnis Vorwort 5 TEIL1 1 Einleitung 13 2 Klassische Mengen und klassische Logik 17 2.1 Klassische Mengen 17
MehrFuzzy Logik und negative Zahlen
Fuzzy Logik und negative Zahlen Ablauf Unscharfe Mengen Fuzzyfizierung Fuzzy Operatoren Inferenz Defuzzyfizierung Ablauf Darstellung negativer Zahlen Vorzeichen und Betrag Exzess Einerkomplement Zweierkomplement
MehrFuzzy Logic Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic
Fuzzy Logic Nouri@nouri.ch 25.09.14 Prof. Dr. Lotfi Zadeh, Erfindervon Fuzzy Logic Theoretische Einführung Was ist Fuzzy Logic? Entwicklungsgeschichte Fuzzy Logic Information und Komplexität Arten der
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:
MehrKapitel Fuzzy Logic. Überblick. 20_1_fuzzy_logic.PRZ
Kapitel.3 Fuzzy Logic Überblick 2 fuzzy_logic.prz 2..5 Definition Fuzzy Logik Erweiterung der klassischen Logik um unscharfe Mengenzugehörigkeiten und Regeln, für die keine exakten Vorschriften bestehen.
MehrÜbersicht. Künstliche Intelligenz: 13. Unsicherheiten Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen 13. Unsicherheiten 14. Probabilistisches Schließen 15. Probabilistisches
Mehr4. Vorlesung Fuzzy Systeme
Soft Control (AT 3, RMA) 4. Vorlesung Fuzzy Systeme Fuzzy Inferenz 4. Vorlesung im Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation
Mehr1 K-Rahmen und K-Modelle
Seminar: Einführung in die Modallogik (WS 15/16) Lehrender: Daniel Milne-Plückebaum, M.A. E-Mail: dmilne@uni-bielefeld.de Handout: K-Rahmen, K-Modelle & K-Wahrheitsbedingungen Im Folgenden werden wir uns
MehrComputational Intelligence 1 / 29. Computational Intelligence Fuzzy Systeme Einleitung 3 / 29
Gliederung 1 / 29 1 Fuzzy Systeme Einleitung Grundlagen Zadehs Operationen auf Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Relationen Einsatzgebiete Fuzzy-Systeme Historisches Fuzzy Systeme Einleitung
MehrKai Michels Frank Klawonn Rudolf Kruse Andreas Nürnberger. Fuzzy-Regelung. Grundlagen, Entwurf, Analyse. Mit 174 Abbildungen und 9 Tabellen.
Kai Michels Frank Klawonn Rudolf Kruse Andreas Nürnberger Fuzzy-Regelung Grundlagen, Entwurf, Analyse Mit 174 Abbildungen und 9 Tabellen Springer Inhaltsverzeichnis 1. Grundlagen der Fuzzy-Systeme 1 1.1
MehrAF2 Funktionsgraphen interpretieren
Was kann man aus einem Funktionsgraphen ablesen? Anhand eines Funktionsgraphen kann man viele Informationen ablesen. Der Verlauf des Graphen und besondere Punkte der Funktion werden daran deutlich. Allgemein
MehrWas bisher geschah Klassische Aussagenlogik zur Modellierung von Aussagen Syntax: Formeln
Was bisher geschah Klassische Aussagenlogik zur Modellierung von Aussagen Syntax: Formeln induktive Definition der Menge AL(P) (Baumstruktur) strukturelle Induktion (Funktionen, Nachweise) syntaktische
MehrWissensrepräsentation 2
Wissensrepräsentation Jürgen Dorn Inhalt Wissen und Intelligenz deklarative versus prozedurale Wissensrepräsentation Wissensbasierte Systeme Wissensrepräsentationsformalismen Das Auto springt nicht an!
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrBayes sche und probabilistische Netze
Bayes sche und probabilistische Netze Gliederung Wahrscheinlichkeiten Bedingte Unabhängigkeit, Deduktion und Induktion Satz von Bayes Bayes sche Netze D-Separierung Probabilistische Inferenz Beispielanwendung
MehrCommonsense Reasoning
Commonsense Reasoning Gabriele Kern-Isberner LS 1 Information Engineering TU Dortmund Sommersemester 2017 G. Kern-Isberner (TU Dortmund) Commonsense Reasoning 1 / 232 Kapitel 4 Grundideen probabilistischen
MehrJessica Naundorf. Kritische Analyse von. Employer Awards im Kontext. des Employer Branding
Jessica Naundorf Kritische Analyse von Employer Awards im Kontext des Employer Branding Rainer Hampp Verlag München, Mering 2016 -I- Inhaltsverzeichnis Inhaltsverzeichnis Abbildungsverzeichnis Tabellenverzeichnis
MehrBrückenkurs Mathematik 2015
Technische Universität Dresden Fachrichtung Mathematik, Institut für Analysis Dr.rer.nat.habil. Norbert Koksch Brückenkurs Mathematik 2015 1. Vorlesung Logik, Mengen und Funktionen Ich behaupte aber, dass
MehrEinführung in die diskreten Bayes- und Kredal-Netze
Einführung in die diskreten Bayes- und Kredal-Netze Master-Seminar im Wintersemester 2015/16 Patrick Schwaferts Institut für Statistik, LMU 16. Januar 2016 Schwaferts (Institut für Statistik, LMU) Bayes-
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
MehrKapitel 2: Fuzzy Systeme
Kapitel 2: Fuzzy Systeme Wintersemester 2005/06 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Inhalt Fuzzy Mengen
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
MehrIntelligente Systeme
Intelligente Systeme Unsicheres Wissen Prof. Dr. R. Kruse C. Braune C. Doell {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Bayes sches Lernen. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Bayes sches Lernen Niels Landwehr Überblick Grundkonzepte des Bayes schen Lernens Wahrscheinlichstes Modell gegeben Daten Münzwürfe
MehrRepräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I. Alexander Fabisch und Benjamin Markowsky. Universität Bremen
Repräsentation und Umgang mit unsicherem Wissen (SoSe 2010) Fuzzy Logic I Alexander Fabisch und Benjamin Markowsky Universität Bremen 25.05.2010 Alexander Fabisch und Benjamin Markowsky (Universität Bremen)
MehrVorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Graphische Modelle. Niels Landwehr
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Graphische Modelle iels Landwehr Überblick: Graphische Modelle Graphische Modelle: Werkzeug zur Modellierung einer Domäne mit verschiedenen
MehrStatistik I für Betriebswirte Vorlesung 2
Statistik I für Betriebswirte Vorlesung 2 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 16. April 2018 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 2 Version: 9. April
MehrDatenbanken. Schemaerweiterung zur Abbildung von Imperfekten Daten. Andreas Merkel
Seminar Impferfektion und Datenbanken Schemaerweiterung zur Abbildung von Imperfekten Daten Andreas Merkel Inhalt Einführung - Eigenschaften des relationalen Modells - Erweiterungsmöglichkeiten Zwei unterschiedliche
MehrDer Begriff Fuzzy kommt aus dem Englischen und heißt soviel wie fusselig, verschwommen, unscharf.
F A C H H O C H S C H U L E S T R A L S U N D Fachbereich Maschinenbau Prof.Dr.-Ing. Ch.Wahmkow Fuzzy- logic Eine Einführung Der Begriff Fuzzy kommt aus dem Englischen und heißt soviel wie fusselig, verschwommen,
MehrLehrstuhl für Empirische Wirtschaftsforschung und Ökonometrie Dr. Roland Füss Statistik II: Schließende Statistik SS 2007
. Grundlagen der Wahrscheinlichkeitstheorie. Zufallsereignisse, Ereignisraum und Ereignismenge Zufallsexperiment: nach einer bestimmten Vorschrift ausgeführter, unter gleichen edingungen beliebig oft wiederholbarer
MehrLogic and Selfreference
Seminar Logik auf Abwegen Logic and Selfreference Heike Fischer 09.08.2004 1. Motivation 2. Objekt -und Metasprache 3. Modus Ponens 4. Lewis Caroll s Paradoxon 4.1 Inhalt & Analyse 4.2 Lösungsansätze 5.
Mehr12. Verarbeitung unsicheren Wissens
12. Verarbeitung unsicheren Wissens Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S 12. Verarbeitung unsicheren Wissens
MehrBayes-Netze. Claudio Fischer Text- und Datamining (AG Digital Humanities)
Bayes-Netze Claudio Fischer 20.06.2013 Text- und Datamining (AG Digital Humanities) Agenda Wiederholung Wahrscheinlichkeitstheorie Beispiel Motivation Bayes-Netze Inferenz exakt Inferenz annäherend Belief
MehrFuzzy-Logik Kontext C mit Interpretation. A B
Unexaktes Schlußfolgern Einführung Fuzzy-Mengen Fuzzy-Logik Formel. A B Kontext C mit Interpretation. A B Modifizierer von Fuzzy-Mengen Operationen auf Fuzzy-Mengen Fuzzy-Inferenz Defuzzifizierung C mit
MehrWahrscheinlichkeitstheorie
Bruno de Finetti Wahrscheinlichkeitstheorie Einführende Synthese mit kritischem Anhang R. Oldenbourg Verlag Wien München 1981 Inhaltsverzeichnis Vorwort X I II III Einführung 1. Wozu ein neues Buch über
MehrBayessche Netze. Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind
Bayessche Netze Kevin Klamt und Rona Erdem Künstliche Intelligenz II SoSe 2012 Dozent: Claes Neuefeind Einleitung Sicheres vs. Unsicheres Wissen Kausale Netzwerke Abhängigkeit Verbindungsarten Exkurs:
Mehr8 Einführung in Expertensysteme
8 Einführung in Expertensysteme 22. Vorlesung: Constraints; Probabilistisches Schließen Für die Programmierung von Expertensystemen werden verschiedene Grundtechniken der Wissensrepräsentation und spezielle
MehrModellierungsbeispiel Geräte
Was bisher geschah Modellierung von Aussagen in (klassischer) Aussagenlogik Syntax: Aussagenvariablen sind Atome Junktoren,,,, induktive Definition: Baumstruktur der Formeln strukturelle Induktion äquivalente
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
MehrSemester-Fahrplan 1 / 17
Semester-Fahrplan 1 / 17 Hydroinformatik I Einführung in die Hydrologische Modellierung Bayes sches Netz Olaf Kolditz *Helmholtz Centre for Environmental Research UFZ 1 Technische Universität Dresden TUDD
MehrDiskrete Strukturen. Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Mathematische Logik
Diskrete Strukturen Sebastian Thomas RWTH Aachen https://www2.math.rwth-aachen.de/ds17/ Mathematische Logik Aussagen Begriff Aussage: Ausdruck, welcher entweder wahr oder falsch ist e Die RWTH Aachen hat
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Mengen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Mengen) Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_16
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
MehrIntelligente Systeme
Intelligente Systeme Unsicheres Wissen Prof. Dr. R. Kruse C. Braune {kruse,cbraune}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke Universität
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Sprachtechnologie. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Sprachtechnologie Tobias Scheffer Thomas Vanck Statistik & Maschinelles Lernen Statistik: Deskriptive Statistik: Beschreibung (Tabellen,
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
MehrSummen- und Produktzeichen
Summen- und Produktzeichen Ein großer Vorteil der sehr formalen mathematischen Sprache ist es, komplizierte Zusammenhänge einfach und klar ausdrücken zu können. Gerade auch diese Eigenschaft der Mathematik
MehrKARL-FRANZENS-UNIVERSITÄT GRAZ. Seminar aus Reiner Mathematik. Die Museumswächter. Krupic Mustafa Wintersemester 2013/14
KARL-FRANZENS-UNIVERSITÄT GRAZ Seminar aus Reiner Mathematik Die Museumswächter Krupic Mustafa Wintersemester 2013/14 Inhaltsverzeichnis 2 Inhaltsverzeichnis 1 Einleitung 3 2 Museumswächter-Satz 6 2.1
MehrHM I Tutorium 1. Lucas Kunz. 27. Oktober 2016
HM I Tutorium 1 Lucas Kunz 27. Oktober 2016 Inhaltsverzeichnis 1 Theorie 2 1.1 Logische Verknüpfungen............................ 2 1.2 Quantoren.................................... 3 1.3 Mengen und ihre
MehrBayesianische Netzwerke - Lernen und Inferenz
Bayesianische Netzwerke - Lernen und Inferenz Manuela Hummel 9. Mai 2003 Gliederung 1. Allgemeines 2. Bayesianische Netzwerke zur Auswertung von Genexpressionsdaten 3. Automatische Modellselektion 4. Beispiel
MehrSeminar Imperfektion und Datenbanken
Seminar Imperfektion und Datenbanken Benutzerfreundliche Beschreibung von unscharfen Zeitintervallen Cornelius Kuppler Betreuer: Gábor Nagypál 1 Inhalt Sichere und unsichere Zeitangaben Merkmale geschichtlicher
Mehr7. Übung Künstliche Intelligenz
Prof. Dr. Gerd Stumme, Dominik Benz Fachgebiet Wissensverarbeitung 7. Übung Künstliche Intelligenz 17.12.28 Wintersemester 28/29 Unsicherheit, Wagheit 1. Bei einem medizinischen Test wird ein Symptom S,
MehrRegelungstechnik. Mehrgrößenregelung - Digitale Regelungstechnik- Fuzzy-Regelung von Gerd Schulz. Mit 118 Beispielen und 56 Aufgaben mit Lösungen
Regelungstechnik Mehrgrößenregelung - Digitale Regelungstechnik- Fuzzy-Regelung von Gerd Schulz Mit 118 Beispielen und 56 Aufgaben mit Lösungen Oldenbourg Verlag München Wien I Mehrgrößen-Regelsysteme
MehrTheorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie
Theorien für die Darstellung von Unsicherheit Ein Vergleich der Wahrscheinlichkeits-, Möglichkeits- und Dempster-Shafer Theorie Johannes Leitner Inhalt I Modellierung von Unschärfe Unscharfe Mengen Unscharfe
MehrFuzzy Control methodenorientiert. von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern
Fuzzy Control methodenorientiert von Universitätsprofessor Dr. rer. nat. Harro Kiendl Mit 212 Bildern R. Oldenbourg Verlag München Wien 1997 Inhaltsverzeichnis Vorwort XI 1 Einführung 1 1.1 Entstellung
MehrKlassifikation von Daten Einleitung
Klassifikation von Daten Einleitung Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl Informatik 8) Klassifikation von Daten Einleitung
MehrBayesianische FDR (Teil 1)
Bayesianische FDR (Teil 1) Mareile Große Ruse Seminar Multiples Testen 08.11.2010 Übersicht Übersicht Übersicht Alternative: Übersicht Alternative: Übersicht Alternative: Bedingte Wahrscheinlichkeit (Ω,
Mehrdie Menge S = {(x,y) : x 2 = y 2 +1,x R} wohl aussehen könnte. Die Antwort ist hier: Interessant ist auch y 2 = x 3 x:
die Menge S = {(x,y) : x 2 = y 2 +1,x R} wohl aussehen könnte. Die Antwort ist hier: Interessant ist auch y 2 = x 3 x: 40 Ganz wichtig für die Wirtschaftswissenschaft ist es, sich Ungleichungen klar zu
MehrAnpassung von Data-Warehouse-Techniken für den Einsatz unsicherer Verkehrsdaten
Diplomvortrag Anpassung von Data-Warehouse-Techniken für den entstanden im Rahmen des OVID-Projektes Institut für Programmstrukturen und Datenorganisation Verantwortlicher Betreuer: Prof. Dr.-Ing. Klemens
MehrINTELLIGENTE DATENANALYSE IN MATLAB
INTELLIGENTE DATENANALYSE IN MATLAB Überwachtes Lernen: Entscheidungsbäume Literatur Stuart Russell und Peter Norvig: Artificial i Intelligence. Andrew W. Moore: http://www.autonlab.org/tutorials. 2 Überblick
MehrDer diskrete Kalman Filter
Der diskrete Kalman Filter Fachbereich: Informatik Betreuer: Marc Drassler Patrick Winkler 1168954 6. Dezember 2004 Technische Universität Darmstadt Simulation und Systemoptimierung Darmstadt Dribbling
MehrFuzzy-Logic. René K. Bokor - 5 HBa Fuzzy Logic Seite: 1
Fuzzy-Logic Einleitung In den letzten Jahren kommt die Theorie der unscharfen Mengen, auch Fuzzy Sets genannt, immer mehr Bedeutung zu. Das nun folgende Referat soll einen Überblick über die wesentlichen
MehrWahrscheinlichkeitsrechnung
Statistik und Wahrscheinlichkeitsrechnung Prof. Dr. Michael Havbro Faber 28.05.2009 1 Korrektur zur letzten Vorlesung Bsp. Fehlerfortpflanzung in einer Messung c B a 2 2 E c Var c a b A b 2 2 2 n h( x)
MehrWie liest man Konfidenzintervalle? Teil II. Premiu m
Wie liest man Konfidenzintervalle? Teil II Premiu m - Hintergrund Anderer Wahrscheinlichkeitsbegriff subjektiver Wahrscheinlichkeitsbegriff Beispiel: Was ist die Wahrscheinlichkeit dafür, dass ein Patient
MehrDeduktion in der Aussagenlogik. Semantische Folgerungsbeziehung. Zusammenhang zwischen semantischer und syntaktischer Folgerung
Deduktion in der Aussagenlogik Menge von Ausdrücken der Aussagenlogik beschreibt einen bestimmten Sachverhalt, eine "Theorie" des Anwendungsbereiches Was folgt logisch aus dieser Theorie? Deduktion: aus
MehrKapitel 6 Wahrheitsfunktionale Fuzzy-Logik. 2. Juni 2005
Kapitel 6 Wahrheitsfunktionale Fuzzy-Logik 2. Juni 2005 Übersicht Wahrheitsfunktionale Fuzzy-Semantik, Eigenschaften, Lukasiewicz-Fuzzy-Logik, McNaughtons Theorem, Nichtstetige Wahrheitsfunktionale Fuzzy-Logik.
Mehr1.3 Stochastische Unabhängigkeit und bedingte
1.3 Stochastische Unabhängigkeit und bedingte Wahrscheinlichkeiten Ziel: komplexere Modelle aus Verkettung ( Koppelung ) von Zufallsexperimenten bauen, insbesondere Ziehung von n-personen aus n-maliger
MehrStrukturelle SVM zum Graph-labelling
23. Juni 2009 1 Was wir gerne hätten...... und der Weg dorthin Erinnerung: strukturelle SVM 2 Junction Tree Algorithmus Loopy Belief Propagation Gibbs Sampling 3 Umfang Qualität der Algorithmen Schlussfolgerungen
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
MehrFuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Fuzzy-Inferenz. Klassische Logik. Aussagenlogische Regel: a b
Fuzzy-Inferenz Fuzzy-Inferenz Klassische Logik. Produktionsregelsystem D, R mit D = {a} und R = {a b} Schlußfolgern mit Forward-Chaining (Modus Ponens, MP): a height is tall {0, 1} b weight is heavy {0,
MehrAusnutzen der Netzstruktur
Ausnutzen der Netzstruktur Im Australien-Färbeproblem Tasmanien unabhängig vom Rest färbbar Lösungskomplexität eigentlich O(3 6 +3 1 )=O(3 6 ) statt O(3 7 ) Zerlegbarkeit von Problemen als allgemeine Struktur-Heuristik
MehrTeil 2: Dynamische Spiele mit vollständigen Informationen
Teil : Dynamische Spiele mit vollständigen Informationen Kapitel 5: Grundsätzliches Literatur: Tadelis Chapter 7 Prof. Dr. Philipp Weinschenk, Lehrstuhl für Mikroökonomik, TU Kaiserslautern Kapitel 5.:
MehrWas bisher geschah: klassische Aussagenlogik
Was bisher geschah: klassische Aussagenlogik Syntax Symbole und Struktur, Junktoren: t, f,,,,, Prinzip der strukturellen Induktion über Baumstruktur von Formeln, arithmetischen Ausdrücken usw. induktive
MehrBayesnetzmodelle (BNM) in der Kardiologie
Bayesnetzmodelle (BNM) in der Kardiologie Vorgehensmodell - Ergebnisse Claus Möbus - Heiko Seebold Jan-Ole Janssen, Andreas Lüdtke, Iris Najman, Heinz-Jürgen Thole Besonderen Dank an: Herrn Reinke (Münster)
Mehr12. Verarbeitung unsicheren Wissens
12. Verarbeitung unsicheren Wissens Prof. Dr. Rudolf Kruse University of Magdeburg Faculty of Computer Science Magdeburg, Germany rudolf.kruse@cs.uni-magdeburg.de S F UZZY 12. Verarbeitung unsicheren Wissens
MehrVorlesung Mathematik I für Wirtschaftswissenschaftler. Universität Leipzig, WS 16/17
Vorlesung Mathematik I für Wirtschaftswissenschaftler Universität Leipzig, WS 16/17 Prof. Dr. Bernd Kirchheim Mathematisches Institut kirchheim@math.uni-leipzig.de 1 / 19 Dies ist der Foliensatz zur Vorlesung
MehrPraxisorientierte Verbesserungsvorschläge
Fakultät Informatik, Professur Technische Informationssystem PID-Regler Praxisorientierte Verbesserungsvorschläge Erik Ulbricht, 09.07.2010 Inhalt 1. Regelungstechnik 1.1 Laplace-Transformation 1.2 PID-Struktur
MehrTechnische Universität München. Ferienkurs Lineare Algebra 1. Mengenlehre, Aussagen, Relationen und Funktionen. 21. März 2011.
Technische Universität München Ferienkurs Lineare Algebra 1 Mengenlehre, Aussagen, Relationen und Funktionen 21. März 2011 Tanja Geib Inhaltsverzeichnis 1 Aussagen 1 2 Mengenlehre 3 2.1 Grundlegende Definitionen
MehrBayes-Netze. Vorlesung im Sommersemester 2012
Bayes-Netze Vorlesung im Sommersemester 2012 Organisatorisches Zeit und Ort: Mo 14-16 Cartesium 0.01 Prof. Carsten Lutz Raum Cartesium 2.59 Tel. (218)-64431 clu@uni-bremen.de Position im Curriculum: Modulbereich
MehrGrundlagen der Logik
Grundlagen der Logik Denken Menschen logisch? Selektionsaufgabe nach Watson (1966): Gegeben sind vier Karten von denen jede auf der einen Seite mit einem Buchstaben, auf der anderen Seite mit einer Zahl
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 8 18. Mai 2010 Kapitel 8. Vektoren (Fortsetzung) Lineare Unabhängigkeit (Fortsetzung) Basis und Dimension Definition 80. (Lineare (Un-)Abhängigkeit)
MehrFuzzy Movement. Dirk Güldner. Seminar: Knowledge Engineering und Lernen in Spielen. TU-Darmstadt, SS 2006,
Fuzzy Movement Dirk Güldner Seminar: Knowledge Engineering und Lernen in Spielen TU-Darmstadt, SS 2006, 30.05.2006 Übersicht Begriffsdefinition allgemeine Ziele & Ziele in Spieleumgebungen Situations-
MehrStatistik für Ingenieure Vorlesung 2
Statistik für Ingenieure Vorlesung 2 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 24. Oktober 2016 2.4 Bedingte Wahrscheinlichkeiten Häufig ist es nützlich, Bedingungen
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/
MehrFuzzy Systeme vom Typ 1. Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Approximatives Schließen Fuzzy Regelung
Fuzzy Systeme vom Typ Sommersemester 2008 Ausgewählte Kapitel der Computational Intelligence (Vorlesung) Inhalt Fuzzy Mengen Fuzzy Relationen Fuzzy Logik Fuzzy Regelung Prof. Dr. Günter Rudolph Fachbereich
MehrZum Umgang mit unscharfen chronologischen Informationen. Oliver Nakoinz
Zum Umgang mit unscharfen chronologischen Informationen 1. 2. 3. Oliver Nakoinz 4. 5. Einleitung a. Zeit & temporales Wissen b. Zeitskalen c. Meßfehler d. Typologische Datierung Chronologische Inferenz
MehrAlgorithmen und Formale Sprachen
Algorithmen und Formale Sprachen Algorithmen und formale Sprachen Formale Sprachen und Algorithmen Formale Sprachen und formale Algorithmen (formale (Sprachen und Algorithmen)) ((formale Sprachen) und
MehrSoft Control (AT 3, RMA)
Soft Control (AT 3, RMA) Zur 3. Übung Fuzzy Control Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken bearbeiten Prinzip eines Fuzzy Systems: 2 Einfaches Fuzzy-Beispiel Titelmasterformat durch Klicken
MehrBayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg
Bayes-Netze (2) Lehrstuhl für Künstliche Intelligenz Institut für Informatik Friedrich-Alexander-Universität Erlangen-Nürnberg (Lehrstuhl KI) Bayes-Netze (2) 1 / 23 Gliederung 1 Zusammenhang zwischen Graphenstruktur
MehrKapitel GWBS:III. III. Regeln mit Konfidenzen. Einführung. Verrechnung von Konfidenzen. Probleme des Ansatzes. Beispiel für ein Diagnosesystem
Kapitel GWBS:III III. Regeln mit Konfidenzen Einführung Verrechnung von Konfidenzen Probleme des Ansatzes Beispiel für ein Diagnosesystem GWBS: III-1 Konfidenzen c BUBECK/LETTMANN 2009-2010 Glaubwürdigkeit
MehrFunktionen: Einleitung
Funktionen: Einleitung Funktionen sind fundamentale Instrumente der Mathematik zur Beschreibung verschiedener Zusammenhänge. E 1 E 2 E 3 Der Abbildungsbegriff Abb. 1 1: Darstellung einer Abbildung Oft
Mehr12. Übung Künstliche Intelligenz Wintersemester 2006/2007
12. Übung Künstliche Intelligenz Wintersemester 2006/2007 1. Contraints und Heuristiken Prof. Dr. Gerd Stumme, Miranda Grahl Fachgebiet Wissensverarbeitung 09.02.2006, mgr@cs.uni-kassel.de a) Beschreibe
MehrRegelungstechnik. Wirkungsweisen, Anwendungen und systemorientierte Grundlagen in anschaulicher Darstellung. Günter Roth
Günter Roth Regelungstechnik Wirkungsweisen, Anwendungen und systemorientierte Grundlagen in anschaulicher Darstellung 2. völlig neu bearbeitete und erweiterte Auflage Hüthig Verlag Heidelberg Inhaltsverzeichnis
Mehr