1. Lernen von Konzepten
|
|
- Heini Küchler
- vor 7 Jahren
- Abrufe
Transkript
1 1. Lernen von Konzepten Definition des Lernens 1. Lernen von Konzepten Lernziele: Definitionen des maschinellen Lernens kennen, Klassifikationen des maschinellen Lernens kennen, Das Prinzip des induktiven Lernens erläutern können und Verfahren für das Lernen von Konzepten kennen und anwenden können. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 13
2 1. Lernen von Konzepten Definition des Lernens Inhalt des Kapitels Definition des Lernens/maschinellen Lernens Klassifikationen zum maschinellen Lernen Induktives Lernen Verfahren für das Lernen von Konzepten Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 14
3 1. Lernen von Konzepten Definition des Lernens Definition des Lernens Jedes System, das für sich den Besitz einer allgemeinen Intelligenz beansprucht, muß lernfähig sein. Grundkonzept des Lernens: Wahrnehmungen nicht nur für das aktuelle Handeln zu verwenden, sondern auch, um zukünftige Handlungen des Agenten zu verbessern. Lernen ist für praktische Anwendungen der KI von Bedeutung: Flaschenhals des Wissensmanagements Traditionelle Techniken der Wissensakquisition sind mit hohem Aufwand verbunden. Hoffnung: Initiale Minimalmenge an Wissen + Lernen Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 15
4 1. Lernen von Konzepten Definition des Lernens Definitionen des Lernens (1) H. A. Simon, 1983: Learning denotes changes in the system that are adaptive in the sense that they enable the system to do the same task or tasks drawn from the same population more efficiently and more effectively the next time. Carbonell, Michalski, Mitchell, 1983: The study and computer modeling of learning processes in their multiple manifestations constitutes the subject matter of machine learning. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 16
5 1. Lernen von Konzepten Definition des Lernens Definitionen des Lernens (2) Michalski, 1986: Learning is constructing or modifying representations of what is being experienced. Michalski, Kodratoff, 1990: Research in machine learning has been concerned with building computer programs able to construct new knowledge or to improve already possessed knowledge by using input information. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 17
6 1. Lernen von Konzepten Definition des Lernens Definitionen des Lernens (3) Mitchell, 1997: A computer program is said to learn from experience E with respect to some class of task T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. Definition in der Psychologie: Lernen ist Verhaltensänderung aus Erfahrung. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 18
7 1. Lernen von Konzepten Definition des Lernens Beispiel für ein Lernproblem A checkers learning problem (Mitchell, 1997): Task T: playing checkers Performance measure P: percent of games won against opponents Training experience E: playing practice games against itself Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 19
8 1. Lernen von Konzepten Definition des Lernens Lernmodell Performance standard Critic Sensors feedback learning goals Learning element changes knowledge Performance element Environment Problem generator Agent Actuators Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 20
9 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Klassifikationen zum maschinellen Lernen Klassifikation nach: Lernstrategie: wieviel Information vorgegeben ist und in welchem Maße das Lernelement eigene Inferenzen durchführt Feedback, das Verfügung steht Repräsentation des zu lernenden Wissens Anwendungsbereich Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 21
10 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Klassifikation gemäß der Lernstrategie Direkte Eingabe neuen Wissens und Auswendiglernen Speichern von Daten und Fakten Programmierung Lernen durch Anweisungen Es wird aufbereitetes Wissen vorgegeben. Dies muß vom Lernelement des Agenten aufgenommen und intern repräsentiert werden. Lernen durch Deduktion Aus vorhandenem Wissen mittels deduktiver Schlussfolgerungsmechanismen neues Wissen ableiten. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 22
11 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Lernen durch Analogie Vorhandenes Wissen wird an neue ähnliche Situationen angepasst. Fallbasiertes Schließen Lernen aus Beispielen Lernen einer allgemeinen Konzeptbeschreibung, die auf gegebene positive Beispiele passt und evtl. vorhandene Gegenbeispiele ausschließt. Lernen aus Beobachtungen und Entdeckungen Keine Steuerung durch einen Lehrenden, keine Menge von Instanzen eines vorgegebenen Konzepts, keine Information zur Klassifizierung von Beispielen, Beobachtungen können mehrere Konzepte umfassen. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 23
12 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Klassifikation gemäß des Feedbacks überwachtes Lernen (supervised learning) Es stehen klassifizierte Trainingsdaten zur Verfügung. Dem Lernelement wird mitgeteilt, ob ein Trainingsbeispiel ein positives oder ein negatives Beispiel des Konzepts darstellt, das gelernt werden soll. unüberwachtes Lernen (unsupervised learning) Hier liegen keine klassifizierten Trainingsbeispiele vor. verstärkendes Lernen (reinforcement learning) Das Lernen basiert auf Rückmeldungen der Umgebung. Auf Basis einer Gewinn- oder Nutzenfunktion versucht das Lernelement des Agenten gute bzw. schlechte Handlungsweisen zu lernen. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 24
13 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Klassifikation gemäß der Repräsentation Parameter in algebraischen Ausdrücken Entscheidungsbäume formale Grammatiken Regeln Ausdrücke basierend auf formaler Logik Begriffshierarchien: Taxonomie, Ontologie Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 25
14 1. Lernen von Konzepten Klassifikationen zum maschinellen Lernen Symbolische und subsymbolische Systeme symbolische Systeme Das gelernte Wissen wird explizit formuliert, z.b. in Form von Regeln. subsymbolische Systeme Hier wird nur eine implizite Verhaltensänderung bewirkt. Beispiel: neuronale Netze. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 26
15 1. Lernen von Konzepten Induktives Lernen Induktives Lernen Die Aufgabe der reinen induktiven Inferenz: Gib für eine Menge an Beispielen einer unbekannten Funktion f eine Funktion h zurück, die f approximiert. Die Funktion h wird als Hypothese bezeichnet. Eine gute Hypothese verallgemeinert gut, d.h. sie sagt zuvor nicht bekannte Beispiele korrekt voraus. Die Menge der möglichen Hypothesen heißt Hypothesenraum. Der Hypothesenraum legt typischerweise eine Repräsentation für die Hypothesen fest. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 27
16 1. Lernen von Konzepten Induktives Lernen Eine Hypothese, die zu einer Menge von Trainingsbeispielen passt, heißt konsistente Hypothese. Beispiel 1.1. f(x) f(x) f(x) f(x) x x x x (a) (b) (c) (d) Menge der Polynome als Hypothesenraum für (a) und (b) und zwei konsistente Hypothesen. Wie wählen wir aus mehreren konsistenten Hypothesen aus? Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 28
17 1. Lernen von Konzepten Induktives Lernen Occam s Razor William of Occam, engl. Philosoph : One should not increase, beyond what is necessary, the number of entities required to explain anything. Bevorzuge die einfachste Hypothese, die konsistent mit allen Trainingsbeispielen ist. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 29
18 1. Lernen von Konzepten Induktives Lernen Auswahl des Hypothesenraums (1) Man beachte in Beispiel 1.1 den Fall (c). Es wäre besser, eine einfache gerade Linie zu finden, die nicht genau konsistent ist, die aber sinnvolle Vorhersagen erlaubt. Für nicht deterministische Funktionen gibt es eine unvermeidbare Abwägung zwischen der Komplexität der Hypothese und ihrem Grad der Übereinstimmung mit den Daten. Beispiel 1.1 (d) zeigt, daß die Daten aus (c) konsistent mit einer einfachen Funktion der Form ax + b + c sinx sind. Bedeutung der Auswahl des Hypothesenraums Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 30
19 1. Lernen von Konzepten Induktives Lernen Auswahl des Hypothesenraums (2) Ein Lernproblem heißt erkennbar, wenn der Hypothesenraum die zu lernende Funktion enthält, andernfalls ist das Lernproblem nicht erkennbar. Warum sollte der Hypothesenraum nicht möglichst groß sein, z.b. die Klasse aller Turing-Maschinen? Problem: Rechenkomplexität des Lernens Es gibt eine Abwägung zwischen der Ausdruckskraft eines Hypothesenraums und der Komplexität, einfache und konsistente Hypothesen in diesem Raum zu finden. Wissensarchitekturen HS Bonn-Rhein-Sieg, WS 09/10 31
Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme
Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume von Lars-Peter Meyer im Seminar Methoden wissensbasierter Systeme bei Prof. Brewka im WS 2007/08 Übersicht Überblick maschinelles Lernen
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrKapitel LF: I. Beispiele für Lernaufgaben. Beispiele für Lernaufgaben. LF: I Introduction c STEIN
Kapitel LF: I I. Einführung in das Maschinelle Lernen Bemerkungen: Dieses Kapitel orientiert sich an dem Buch Machine Learning von Tom Mitchell. http://www.cs.cmu.edu/ tom/mlbook.html 1 Autoeinkaufsberater?
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
Mehr4. Lernen von Entscheidungsbäumen
4. Lernen von Entscheidungsbäumen Entscheidungsbäume 4. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrKonzepte der AI: Maschinelles Lernen
Konzepte der AI: Maschinelles Lernen Nysret Musliu, Wolfgang Slany Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme, TU-Wien Übersicht Was ist Lernen? Wozu maschinelles
MehrKapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen
Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen
MehrMaschinelles Lernen SS 2005
1 Maschinelles Lernen SS 2005 Jianwei Zhang AB TAMS FB Informatik Universität Hamburg Büro: F308 Tel.: 2430 E-mail: zhang Web: http://tams-www.informatik.uni-hamburg.de/ Sprechstunde: Do. 15:00-16:00 2
Mehr2. Lernen von Entscheidungsbäumen
2. Lernen von Entscheidungsbäumen Entscheidungsbäume 2. Lernen von Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch Attribut/Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse
MehrMaschinelles Lernen Entwicklung und aktuelle Anwendungen
Maschinelles Lernen Entwicklung und aktuelle Anwendungen martin.loesch@kit.edu (0721) 608 45944 Forschungsrichtungen des ML Praxisorientiert Aufgabenorientierte, lernende Systeme Wissenserwerb (Knowledge
MehrGrundlagen des Maschinellen Lernens Kap. 1: Einleitung
Gliederung der Vorlesung 1. Einleitung Einführende Beispiele Grundszenario des induktiven Lernens 2. Induktives Lernen von formalen Sprachen Patterns & Patternsprachen Lernproblem und Lösung Szenario des
Mehr4. Lernen von Entscheidungsbäumen. Klassifikation mit Entscheidungsbäumen. Entscheidungsbaum
4. Lernen von Entscheidungsbäumen Klassifikation mit Entscheidungsbäumen Gegeben sei eine Menge von Objekten, die durch /Wert- Paare beschrieben sind. Jedes Objekt kann einer Klasse zugeordnet werden.
MehrPersonalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.
Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen
MehrModerne Methoden der KI: Maschinelles Lernen
Moderne Methoden der KI: Maschinelles Lernen Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Sommer-Semester 2009 1. Einführung: Definitionen Grundbegriffe Lernsysteme Maschinelles Lernen Lernen: Grundbegriffe
MehrMaschinelles Lernen. Moderne Methoden der KI: Maschinelles Lernen. Definitionen: Was ist Lernen? Definitionen: Was ist Lernen? 1.
Moderne Methoden der KI: Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Sommer-Semester 2007 1. Einführung: Definitionen Grundbegriffe Lernsysteme Lernen: Grundbegriffe Lernsysteme Konzept-Lernen Entscheidungsbäume
MehrMachine Learning. 1. Grundlagen des Machine Learning
Machine Learning 1. Grundlagen des Machine Learning Grundlagen des Machine Learning Begriff Machine Learning Definitionen Machine Learning Formale Definition Machine Learning Aufgaben im Machine Learning
MehrIntelligente Systeme. Einführung. Christian Moewes
Intelligente Systeme Einführung Prof. Dr. Rudolf Kruse Christian Moewes Georg Ruß {kruse,russ,cmoewes}@iws.cs.uni-magdeburg.de Arbeitsgruppe Computational Intelligence Institut für Wissens- und Sprachverarbeitung
MehrGliederung. 1. KI im Allgemeinen und in dieser Vorlesung 2. Heuristische Suche 3. Logik und Inferenz 4. Wissensrepräsentation 5.
Gliederung 1. KI im Allgemeinen und in dieser Vorlesung 2. Heuristische Suche 3. Logik und Inferenz 4. Wissensrepräsentation 5. Handlungsplanung 1. Überblick 6. Lernen 7. Sprachverarbeitung 8. Umgebungswahrnehmung
MehrDexatek's Alexa Smart Home Skills Instruction Guide
Dexatek's Alexa Smart Home Skills Instruction Guide Version 0.3 Author Esther Date 01/10/18 ~ 1 ~ Revision History Version Date Editor Remark 0.1 2017/04/05 Esther Initial version 0.2 2018/01/09 Esther
MehrInformatik für Mathematiker und Physiker Woche 2. David Sommer
Informatik für Mathematiker und Physiker Woche 2 David Sommer David Sommer 25. September 2018 1 Heute: 1. Self-Assessment 2. Feedback C++ Tutorial 3. Modulo Operator 4. Exercise: Last Three Digits 5. Binary
MehrSport Northern Ireland. Talent Workshop Thursday 28th January 2010 Holiday Inn Express, Antrim
Sport Northern Ireland Talent Workshop Thursday 28th January 2010 Holiday Inn Express, Antrim Outcomes By the end of the day participants will be able to: Define and differentiate between the terms ability,
MehrVGM. VGM information. HAMBURG SÜD VGM WEB PORTAL USER GUIDE June 2016
Overview The Hamburg Süd VGM Web portal is an application that enables you to submit VGM information directly to Hamburg Süd via our e-portal Web page. You can choose to enter VGM information directly,
MehrLehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
Mehr8. Reinforcement Learning
8. Reinforcement Learning Einführung 8. Reinforcement Learning Wie können Agenten ohne Trainingsbeispiele lernen? Auch kennt der Agent zu Beginn nicht die Auswirkungen seiner Handlungen. Stattdessen erhält
MehrLevel 1 German, 2014
90886 908860 1SUPERVISOR S Level 1 German, 2014 90886 Demonstrate understanding of a variety of German texts on areas of most immediate relevance 9.30 am Wednesday 26 November 2014 Credits: Five Achievement
Mehrauf einer Suche basierender problemlösender Agent (Kapitel 3) logischer Planungsagent (Kapitel 10)
11 Planen Zentrale Fragestellung: Wie kann ein Agent die Struktur eines Problems nutzen, um komplexe Aktionspläne zu konstruieren? Bisher zwei Beispiele für planende Agenten: auf einer Suche basierender
MehrKünstliche Intelligenz
Künstliche Intelligenz Intelligente Agenten Claes Neuefeind Sprachliche Informationsverarbeitung Universität zu Köln 26. Oktober 2011 Agenten Konzept des Agenten Rationalität Umgebungen Struktur von Agenten
MehrVGM. VGM information. HAMBURG SÜD VGM WEB PORTAL - USER GUIDE June 2016
Overview The Hamburg Süd VGM-Portal is an application which enables to submit VGM information directly to Hamburg Süd via our e-portal web page. You can choose to insert VGM information directly, or download
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen Unüberwachtes
MehrWillkommen zur Vorlesung Komplexitätstheorie
Willkommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V11, 16.1.2012 1 Themen 1. Turingmaschinen Formalisierung der Begriffe berechenbar, entscheidbar, rekursiv aufzählbar
MehrMythos Weiterbildung? Die Effektivität von Programmen zur Verbesserung der Qualität des Lehrens und Lernens an Hochschulen
Mythos Weiterbildung? Die Effektivität von Programmen zur Verbesserung der Qualität des Lehrens und Lernens an Hochschulen Adi Winteler Berater für das Programm ProLehre der Beauftragter der Präsidentin
MehrModerne Methoden der KI: Maschinelles Lernen
Moderne Methoden der KI: Maschinelles Lernen Prof. Dr.Hans-Dieter Burkhard Vorlesung Sommer-Semester 2008 Konzept-Lernen Konzept-Lernen Lernen als Suche Inductive Bias Konzept-Lernen: Problemstellung Ausgangspunkt:
MehrSamuel's Checkers Program
Samuel's Checkers Program Seminar: Knowledge Engineering und Lernen in Spielen 29.06.2004 Ge Hyun Nam Überblick Einleitung Basis Dame-Programm Maschinelles Lernen Auswendiglernen Verallgemeinerndes Lernen
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
MehrDie Bedeutung neurowissenschaftlicher Erkenntnisse für die Werbung (German Edition)
Die Bedeutung neurowissenschaftlicher Erkenntnisse für die Werbung (German Edition) Lisa Johann Click here if your download doesn"t start automatically Download and Read Free Online Die Bedeutung neurowissenschaftlicher
MehrD-BAUG Informatik I. Exercise session: week 1 HS 2018
1 D-BAUG Informatik I Exercise session: week 1 HS 2018 Java Tutorials 2 Questions? expert.ethz.ch 3 Common questions and issues. expert.ethz.ch 4 Need help with expert? Mixed expressions Type Conversions
MehrÜbersicht. Künstliche Intelligenz: 18. Lernen aus Beobachtungen Frank Puppe 1
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen 18. Lernen aus Beobachtungen 19. Wissen beim Lernen 20. Statistische
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrKTdCW Artificial Intelligence 2016/17 Practical Exercises - PART A
KTdCW Artificial Intelligence 2016/17 Practical Exercises - PART A Franz Wotawa Technische Universität Graz, Institute for Software Technology, Inffeldgasse 16b/2, A-8010 Graz, Austria, wotawa@ist.tugraz.at,
MehrDIBELS TM. German Translations of Administration Directions
DIBELS TM German Translations of Administration Directions Note: These translations can be used with students having limited English proficiency and who would be able to understand the DIBELS tasks better
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrHausaufgabe 1-4. Name: If homework late, explanation: Last class homework is being accepted: If correction late, explanation: Student Self-Grading
Hausaufgabe 1-4 To Be Filled Out By Instructor Inspected Self-Grade Accepted Lateness of Homework Accepted Instructor s Grade: Name: To Be Filled Out By Student (White Fields Only) Class # due: 1-4 Turned
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrDie "Badstuben" im Fuggerhaus zu Augsburg
Die "Badstuben" im Fuggerhaus zu Augsburg Jürgen Pursche, Eberhard Wendler Bernt von Hagen Click here if your download doesn"t start automatically Die "Badstuben" im Fuggerhaus zu Augsburg Jürgen Pursche,
MehrExercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrDie UN-Kinderrechtskonvention. Darstellung der Bedeutung (German Edition)
Die UN-Kinderrechtskonvention. Darstellung der Bedeutung (German Edition) Daniela Friedrich Click here if your download doesn"t start automatically Die UN-Kinderrechtskonvention. Darstellung der Bedeutung
MehrStar Trek: die Serien, die Filme, die Darsteller: Interessante Infod, zusammengestellt aus Wikipedia-Seiten (German Edition)
Star Trek: die Serien, die Filme, die Darsteller: Interessante Infod, zusammengestellt aus Wikipedia-Seiten (German Edition) Doktor Googelberg Click here if your download doesn"t start automatically Star
MehrKünstliche Intelligenz
Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data
MehrIm Fluss der Zeit: Gedanken beim Älterwerden (HERDER spektrum) (German Edition)
Im Fluss der Zeit: Gedanken beim Älterwerden (HERDER spektrum) (German Edition) Ulrich Schaffer Click here if your download doesn"t start automatically Im Fluss der Zeit: Gedanken beim Älterwerden (HERDER
MehrWie können Computer lernen?
Wie können Computer lernen? Ringvorlesung Perspektiven der Informatik, 18.2.2008 Prof. Jun. Matthias Hein Department of Computer Science, Saarland University, Saarbrücken, Germany Inferenz I Wie lernen
Mehr4 Spezielle Schlussverfahren
4 Spezielle Schlussverfahren 10. Vorlesung: Abduktion und Hypothesenbildung; Induktion und Lernen Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2012/2013 Kernfragen der Vorlesung 1. Wie lässt
MehrEinführung in die Linguistik, Teil 4
Einführung in die Linguistik, Teil 4 Menschliche Sprachverarbeitung im Rahmen der Kognitionswissenschaft Markus Bader, Frans Plank, Henning Reetz, Björn Wiemer Einführung in die Linguistik, Teil 4 p. 1/19
MehrWer bin ich - und wenn ja wie viele?: Eine philosophische Reise. Click here if your download doesn"t start automatically
Wer bin ich - und wenn ja wie viele?: Eine philosophische Reise Click here if your download doesn"t start automatically Wer bin ich - und wenn ja wie viele?: Eine philosophische Reise Wer bin ich - und
MehrKybernetik Intelligent Agents- Decision Making
Kybernetik Intelligent Agents- Decision Making Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 03. 07. 2012 Intelligent Agents Environment Agent Intelligent
MehrAnalyse und Interpretation der Kurzgeschichte "Die Tochter" von Peter Bichsel mit Unterrichtsentwurf für eine 10. Klassenstufe (German Edition)
Analyse und Interpretation der Kurzgeschichte "Die Tochter" von Peter Bichsel mit Unterrichtsentwurf für eine 10. Klassenstufe (German Edition) Janina Schnormeier Click here if your download doesn"t start
MehrExercise (Part II) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part II) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrTeil 2.2: Lernen formaler Sprachen: Hypothesenräume
Theorie des Algorithmischen Lernens Sommersemester 2006 Teil 2.2: Lernen formaler Sprachen: Hypothesenräume Version 1.1 Gliederung der LV Teil 1: Motivation 1. Was ist Lernen 2. Das Szenario der Induktiven
MehrLernen kann von einem einfachen Erinnern der Erfahrungen, wie wir es beim Agenten der Wumpus-Welt gesehen haben (Kap. 10), bis hin zur Erstellung
Lernen kann von einem einfachen Erinnern der Erfahrungen, wie wir es beim Agenten der Wumpus-Welt gesehen haben (Kap. 10), bis hin zur Erstellung ganzer wissenschaftlicher Theorien reichen (z.b. Albert
MehrEin Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten. Click here if your download doesn"t start automatically
Ein Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten Click here if your download doesn"t start automatically Ein Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten Ein Stern in dunkler
Mehr4 Spezielle Schlussverfahren
4 Spezielle Schlussverfahren 10. Vorlesung: Abduktion und Hypothesenbildung; Induktion und Lernen Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2009/2010 Kernfragen der Vorlesung 1. Wie lässt
MehrEinführung in die Künstliche Intelligenz
Einführung in die Künstliche Intelligenz Vorlesung WS 2004/05 Joachim Hertzberg, Andreas Nüchter (Übungen) Institut für Informatik Abteilung Wissensbasierte Systeme 1 Web-Seite Organisatorisches http://www.inf.uos.de/hertzberg/lehre/2004_ws/vorlesung_ki-intro/ki_ws04.html
MehrSemiüberwachte Paarweise Klassifikation
Semiüberwachte Paarweise Klassifikation Andriy Nadolskyy Bachelor-Thesis Betreuer: Prof. Dr. Johannes Fürnkranz Dr. Eneldo Loza Mencía 1 Überblick Motivation Grundbegriffe Einleitung Übersicht der Verfahren
MehrWas Sie schon immer über Teneriffa wissen wollten: Erklärungen & Wissenswertes, Tipps & Highlights (German Edition)
Was Sie schon immer über Teneriffa wissen wollten: Erklärungen & Wissenswertes, Tipps & Highlights (German Edition) Guntram Müller-Jänsch Click here if your download doesn"t start automatically Was Sie
MehrUniversitŠt Bielefeld bersicht zu Abschnitt 5. u Gegenstand: Überblick über weitere Inferenzverfahren
bersicht zu Abschnitt 5 5 Spezielle Schlußverfahren 13. Vorlesung: Abduktion und Hypothesenbildung Induktion und Lernen Methoden der KŸnstlichen Intelligenz Ipke Wachsmuth ÊWS 2000/2001 u Gegenstand: Überblick
MehrWillkommen zur Vorlesung Komplexitätstheorie
Willommen zur Vorlesung Komplexitätstheorie WS 2011/2012 Friedhelm Meyer auf der Heide V10, 9.1.2012 1 Organisation Prüfungen: mündlich, 20min 1. Periode: 13.-14.2. 2012 2. Periode: 26.-27.3. 2012 2 Themen
MehrBenjamin Whorf, Die Sumerer Und Der Einfluss Der Sprache Auf Das Denken (Philippika) (German Edition)
Benjamin Whorf, Die Sumerer Und Der Einfluss Der Sprache Auf Das Denken (Philippika) (German Edition) Sebastian Fink Click here if your download doesn"t start automatically Benjamin Whorf, Die Sumerer
MehrGrundlagen 1: Modelle & Mengen
Michael Wand Institut für Informatik. Angewandte Mathematik am Rechner 1 SOMMERSEMESTER 2017 > Kapitel 2 Grundlagen 1: Modelle & Mengen 2.1 Modelle Grundlagen der Modellierung
MehrLevel 2 German, 2013
91126 911260 2SUPERVISOR S Level 2 German, 2013 91126 Demonstrate understanding of a variety of written and / or visual German text(s) on familiar matters 9.30 am Monday 11 November 2013 Credits: Five
MehrHarry gefangen in der Zeit Begleitmaterialien
Folge 029 Grammatik 1. The pronoun "es" (review) "es" is a pronoun that usually substitutes a neuter noun. Example: Ist das Bett zu hart? - Nein, es ist nicht zu hart. (es = it das Bett = the bed) But:
MehrTeil 5. Maschinelles Lernen
Teil 5 Maschinelles Lernen Definitionen und Abgrenzungen Was ist Lernen? Zentrale Fähigkeit von intelligenten Systemen in Natur und KI Zielgerichtete Veränderung von Wissen und/oder Verhaltensweisen durch
MehrLevel 1 German, 2016
90886 908860 1SUPERVISOR S Level 1 German, 2016 90886 Demonstrate understanding of a variety of German texts on areas of most immediate relevance 2.00 p.m. Wednesday 23 November 2016 Credits: Five Achievement
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
Mehra.k.a. Broker a.k.a. Vermittler , Sebastian Gäng, Moritz Moll, Design Pattern, HTWG Konstanz
Mediator Pattern a.k.a. Broker a.k.a. Vermittler 1 2009, Sebastian Gäng, Moritz Moll, Design Pattern, HTWG Konstanz Beschreibung Klassifikation: i Objektbasiertes b Verhaltensmuster hl Zweck: Wenn eine
MehrA linear-regression analysis resulted in the following coefficients for the available training data
Machine Learning Name: Vorname: Prof. Dr.-Ing. Klaus Berberich Matrikel: Aufgabe 1 2 3 4 Punkte % % (Bonus) % (Gesamt) Problem 1 (5 Points) A linear-regression analysis resulted in the following coefficients
MehrMagic Figures. We note that in the example magic square the numbers 1 9 are used. All three rows (columns) have equal sum, called the magic number.
Magic Figures Introduction: This lesson builds on ideas from Magic Squares. Students are introduced to a wider collection of Magic Figures and consider constraints on the Magic Number associated with such
MehrÜbersicht. Allgemeines Modell lernender Agenten. Lernende Agenten (1) Lernende Agenten (2)
Übersicht Allgemeines Modell lernender Agenten I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern IV Logisch Handeln V Unsicheres Wissen und Schließen VI Lernen 18. Lernen aus Beobachtungen
MehrVorlesung Künstliche Intelligenz Wintersemester 2006/07. Teil III: Wissensrepräsentation und Inferenz. Kap.4: Einführung
Vorlesung Künstliche Intelligenz Wintersemester 2006/07 Teil III: Wissensrepräsentation und Inferenz Kap.4: Einführung In the knowledge lies the power. (Feigenbaum) Wolf-Michael Catenhusen (BMBF, 1999):
MehrOnline Learning in Management
43 rd EUCEN Conference 2012 Workshop: Supporting the individual learner in ULLL The Makes and Brakes of Collaborative E-Learning: Online Learning in Management - A case study - Dr. Marion Bruhn-Suhr University
MehrSelbstbild vs. Fremdbild. Selbst- und Fremdwahrnehmung des Individuums (German Edition)
Selbstbild vs. Fremdbild. Selbst- und Fremdwahrnehmung des Individuums (German Edition) Jasmin Nowak Click here if your download doesn"t start automatically Selbstbild vs. Fremdbild. Selbst- und Fremdwahrnehmung
MehrLevel 2 German, 2015
91126 911260 2SUPERVISOR S Level 2 German, 2015 91126 Demonstrate understanding of a variety of written and / or visual German text(s) on familiar matters 2.00 p.m. Friday 4 December 2015 Credits: Five
MehrCorporate Digital Learning, How to Get It Right. Learning Café
0 Corporate Digital Learning, How to Get It Right Learning Café Online Educa Berlin, 3 December 2015 Key Questions 1 1. 1. What is the unique proposition of digital learning? 2. 2. What is the right digital
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrLevel 2 German, 2016
91126 911260 2SUPERVISOR S Level 2 German, 2016 91126 Demonstrate understanding of a variety of written and / or visual German texts on familiar matters 2.00 p.m. Tuesday 29 November 2016 Credits: Five
MehrEinführung. Einführung in die Methoden der Künstlichen Intelligenz. Maschinelles Lernen. Lernen und Agenten. Beispiele
Einführung Einführung in die Methoden der Künstlichen Intelligenz Maschinelles Lernen Dr. David Sabel WS 2012/13 Direkte Programmierung eines intelligenten Agenten nicht möglich (bisher) Daher benötigt:
MehrDecision Tree Learning
Decision Tree Learning Computational Linguistics Universität des Saarlandes Sommersemester 2011 28.04.2011 Entscheidungsbäume Repräsentation von Regeln als Entscheidungsbaum (1) Wann spielt Max Tennis?
Mehrder Lehrer die Sportlerin der Sekretär die Ärztin
die Lehrerin der Lehrer die Sportlerin der Sportler die Sekretärin der Sekretär die Ärztin der Ärzt Fussball spielen ein Lied singen Fahrrad fahren im Internet surfen kochen die Gitare spielen tanzen schreiben
MehrFAIRTRADE project Exchange 2012 Scotland 2 nd 10 th of May
FAIRTRADE project Exchange 2012 Scotland 2 nd 10 th of May FAIRTRADE project evaluation: Pupils 1. Have you ever seen the FAIRTRADE logo on a Scottish product? 1. Hast du das FAIRTRADE Logo bereits einmal
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 28. Aussagenlogik: DPLL-Algorithmus Malte Helmert Universität Basel 2. Mai 2014 Aussagenlogik: Überblick Kapitelüberblick Aussagenlogik: 26. Grundlagen 27. Logisches
MehrKybernetik Einführung
Kybernetik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 24. 04. 2012 Einführung Was ist Kybernetik? Der Begriff Kybernetik wurde im 1948
MehrCommunities of Practice - Plattform für neue Ideen
Tamara Heck Abt. Informationswissenschaft Heinrich-Heine-Universität Düsseldorf Communities of Practice - Plattform für neue Ideen 3. CommunicationTank: PR 2.0, 21. September 2011, Hamburg Was ist Wissen?
MehrIntelligente Systeme
Intelligente Systeme Maschinelles Lernen Prof. Dr. R. Kruse C. Moewes G. Ruß {kruse,cmoewes,russ}@iws.cs.uni-magdeburg.de Institut für Wissens- und Sprachverarbeitung Fakultät für Informatik Otto-von-Guericke
MehrReinforcement Learning
Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied
MehrTitelbild1 ANSYS. Customer Portal LogIn
Titelbild1 ANSYS Customer Portal LogIn 1 Neuanmeldung Neuanmeldung: Bitte Not yet a member anklicken Adressen-Check Adressdaten eintragen Customer No. ist hier bereits erforderlich HERE - Button Hier nochmal
Mehr"Zigeuner" oder Sinti und Roma?: Stereotypen und Vorurteile (German Edition)
"Zigeuner" oder Sinti und Roma?: Stereotypen und Vorurteile (German Edition) Hannah Illgner Click here if your download doesn"t start automatically "Zigeuner" oder Sinti und Roma?: Stereotypen und Vorurteile
MehrSeminar Textmining SS 2015 Grundlagen des Maschinellen Lernens
Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining
MehrDarstellung, Verarbeitung und Erwerb von Wissen
Darstellung, Verarbeitung und Erwerb von Wissen Gabriele Kern-Isberner LS 1 Information Engineering TU Dortmund WiSe 2016/17 G. Kern-Isberner (TU Dortmund) DVEW WiSe 2016/17 1 / 169 Struktur der DVEW 1
MehrLearning Human Body Movement
Learning Human Body Movement 22. Januar 2018 Seminar Neueste Trends in Big Data Analytics Betreuer: Christian Hovy Gliederung 1. Motivation 2. Rückblick auf Machine Learning 3. Terminologie 4. Überblick
MehrNürnberg und der Christkindlesmarkt: Ein erlebnisreicher Tag in Nürnberg (German Edition)
Nürnberg und der Christkindlesmarkt: Ein erlebnisreicher Tag in Nürnberg (German Edition) Karl Schön Click here if your download doesn"t start automatically Nürnberg und der Christkindlesmarkt: Ein erlebnisreicher
MehrThe English Tenses Die englischen Zeitformen
The English Tenses Die englischen Zeitformen Simple Present (Präsens einfache Gegenwart) Handlungen in der Gegenwart die sich regelmäßig wiederholen oder einmalig geschehen I go you go he goes she goes
Mehr