7 Memory Organization und Deduktion
|
|
- Paul Rothbauer
- vor 7 Jahren
- Abrufe
Transkript
1 7 Memory Organization und Deduktion 17. Vorlesung: Speicherorganisation: Indexing; Assoziative Netzwerke Was sind Ziele und Vorhaben der KI? Wie lassen sich Probleme durch (geschickte) Suche lösen? Wie lassen sich Datenstrukturen zur Darstellung von Wissen maschinenverarbeitbar anlegen? Wie lassen sich maschinell Schlußfolgerungen aus Annahmen ziehen? Für welche Ziele soll Computer-Intelligenz eingesetzt werden?! " #
2 Kapitel 6: Ausgehend von allgemeinen prädikatenlogischen Schlußverfahren betrachteten wir die konkrete Manipulation entsprechend vorbereiteter Formeln (in database) für maschinelle Schlußverfahren. (Zuletzt: goal-tree search für die Suche nach subgoals beim backward chaining) Kapitel 7: Noch eine Stufe konkreter werden Datenstrukturen und verschiedene Organisations- und Zugriffsprinzipien betrachtet, durch die eine solche Formelmanipulation effektiv abgewickelt werden kann.! " % Accessibility is just as important as content Frage bisher: Wie drückt man Fakten und Annahmen über eine Domäne aus, so daß sich formale Schlußweisen darauf anwenden lassen? Frage jetzt: Wie organisiert man geschickt den Zugang zu Einträgen in DATABASE und deren maschinelle Benutzung? Memory Management erfordert sorgfältig geplante Kombination von Datenstrukturen mit geeigneten Inferenzalgorithmen! " &
3 als Beispiel einer Gedächtnisstruktur, wie sie für Story Understanding postuliert wird Script: Stereotype Abfolge von Ereignissen als Modell für bestimmte Weltzusammenhänge Beispiel: Besuch im Schönheitssalon ( Beauty Parlor )! " ( Skizze einer prädikatenlogischen Repräsentation des "Beauty-Parlor"-Scripts zum Verstehen einer Geschichte wie der folgenden: Frieda brauchte einen Haarschnitt. Als sie zum Schönheitssalon kam, war sie unglücklich, daß Suzy, ihre Lieblings-Stylistin, nicht da war. Noch bestürzter war Frieda, als sie dann ihren Irokesenschnitt sah. Ohne ein Trinkgeld zu geben, schritt sie davon.! " )
4 * * * * Prinzip: Sätze der Geschichte werden mit Script-Elementen gematcht und dabei Variablen gemäß der tatsächlichen events gebunden Wo das Script verzweigt: bestpassende Alternative wählen Grundidee Script-Matching : ein Story-Pointer und ein Script-Pointer werden koordiniert geführt dabei werden weitere Ereignisbeschreibungen im Script zugänglich, die zum sukzessiven Aufbau einer Repräsentation beitragen. Vorteil: spezielle Organisation von Assertions steigert die Effizienz beim Aufbau der Repräsentation erheblich. Nachteil: Starr!! Funktioniert wirklich nur für stereotype Geschichten.! " DATABASE hält (skolemisierte) Fakten vor, die von einem Theorembeweiser manipuliert werden: (a) Hinzufügen und Wegnehmen (assert und retract) (b)finden aller Fakten, die mit einer (als Fetch-Pattern) gegebenen Formel unifizieren Diese Manipulationen müssen (vom Rechenaufwand) billig sein! Beispiel zu (b): Backward Chaining Gegeben goal G dann muß GATEKEEPER alle Formeln der Form (i) G oder (ii) S > G (hier jetzt geschrieben: (< G S) ) auffinden, für die gilt: G unifiziert mit G (i) das Fetchpattern ist G (ii) das Fetch-Pattern ist (< G?v) (?v darf in G nicht vorkommen)! " +
5 ! ", Jeder Konstante ist eine Liste der Assertionen, die diese Konstante enthalten, zugeordnet, organisiert nach der Position der Konstante: ( (pos N -formulas- ) (pos N -formulas- )...) pos: Position, repräsentiert als Tupel natürlicher Zahlen < > : ganze Formel <1 2> : erstes Element des zweiten Elements... N: Zahl der Formeln mit dieser Konstante an dieser Position *var* : für enthaltene Variablen! " -
6 bucket (Eimer) : eine Formelliste > siehe Seite 398 in Charniak/McDermott <! " index-fetch! " #
7 Bei Interesse oder Bedarf: Siehe Seite ! Es werden nicht nur Formeln ausgeworfen, die das Fetch-Pattern garantiert matchen (d.h. Formeln werden geholt, für die Unifikation fehlschlägt). Trotz selektiver Verarbeitung kann der Rechenaufwand für Unifikation immer noch sehr teuer sein. Der Algorithmus erfordert teure Operationen der Durchschnittbildung, für die es zwar Verbesserungen gibt (mark-and-test), aber keinen grundsätzlichen "Durchbruch" (bei großen buckets). Es gibt verbesserte Indexing-Methoden, die z.b. die Prädikat-Position spezifisch behandeln (in der Prädikatenlogik erster Stufe kommen keine Prädikatvariablen vor). Alternativer Ansatz: Assoziative Netzwerke! " % (Aufgabe wieder: Angabe von Datenstrukturen in DATABASE, die Fakten repräsentieren und auf die sich geschickt zugreifen läßt.) Assoziatives Netzwerk: Allgemeiner Begriff für Repräsentationssysteme auf der Basis von Graphen, deren Kanten ("links") mit Prädikaten korrespondieren. (Es gibt viele Typen!) Implementiert als Pointer-Strukturen, die eine Struktur von Relationen im modellierten Gebiet ausdrücken. Inferenzen basieren auf Graph-Suchalgorithmen Beispiel (nur als Motivation für die Repräsentation der Struktur): Stadtplan als Graph mit Knoten = Kreuzungen, Kanten = Straßen! " &
8 E F GH I J K GL M L N GI OI P I O Q DATA- BASE vorher: indexierte Assertionen in DATABASE Theorembeweiser im GATEKEEPER Neue Fakten Anfragen GATE- KEEPER Antworten jetzt: Assoziatives Netz in der DATABASE Graph-Suchalgorithmen (in der Regel mehrere spezielle) im GATEKEEPER PROGRAM. / : 5 ; < 2 = 5 8 = 5 3 >? 8 6 ; A < 5 8 B 8 ; C. D E F GH I J K GL M L N GI OI P I O Q. / : 5 ; < 2 = 5 8 = 5 3 >? 8 6 ; A < 5 8 B 8 ; C. R
9 E F GH I J K GL M L N GI OI P I O Q (Datenstruktur!) Beispiel: Auszudrücken sei (contains a b), (contains a c), (contains d a) etc. Es soll möglich sein, alles, was in a enthalten ist, von a aus leicht zu finden --> forward pointer ( für die Relation contains) Es soll möglich sein, alles, worin a enthalten ist, von a aus leicht zu finden --> backward pointer (für die Relation contained-by) Pointer-Paar (interne Darstellung eines links): Zweielementige Liste, deren Elemente über entsprechend gelabelte pointer auf die Liste zeigen. (a,b): links steht erstes, rechts zweites Argument einer contains-relation. / : 5 ; < 2 = 5 8 = 5 3 >? 8 6 ; A < 5 8 B 8 ; C. / E F GH I J K GL M L N GI OI P I O Q > siehe Fig. 7.7 in Charniak/McDermott. / : 5 ; < 2 = 5 8 = 5 3 >? 8 6 ; A < 5 8 B 8 ; C. S
10 E F GH I J K GL M L N GI OI P I O Q new-york: ((<2> 1 (contains new-york empire-state-bldg)) (<3> 1 (contains us new-york))...) ausgedrückt durch contains-pointer (forward pointer) ausgedrückt durch contained-by-pointer (back pointer) Hauptvorteil: Vermeidung von backward chaining und Unifikation für Inferenzen Frage: Welche Dinge enthält a? - mit backward chaining (Show: (contains a?what)) dann unifizierende Pattern suchen und ggfs. rückwärts verkettete Regeln ausnutzen, um subgoals zu bekommen. - im Netzwerk schneller (nämlich unmittelbar zugreifbar): Betrachte die contains-links von a (siehe Fig. 7.7) werfe jeweils die zweiten Elemente des Pointer-Paars aus. / : 5 ; < 2 = 5 8 = 5 3 >? 8 6 ; A < 5 8 B 8 ; C. T E F GH I J K GL M L N GI OI P I O Q für symmetrische, transitive Relationen (= a b) (= b c) (= a d) Pointerliste: (a b c d) ( ) ( ) ( ) ( ) a b c d Dann (= c a) genauso leicht zu bestätigen wie (= a c) usw.. / : 5 ; < 2 = 5 8 = 5 3 >? 8 6 ; A < 5 8 B 8 ; C U V
11 E F GH I J K GL M L N GI OI P I O Q Beschränkung auf binäre Relationen (für Assertions nicht der Fall) jedoch kann jede Assertion mit mehrstelligen Prädikaten in eine Menge von "binären" Assertionen überführt werden: (p a1 a2... an ) neue Konstante! Dies ist Slot-Assertion-Notation! (siehe 3. Vorlesung) (inst r p -Relation) (arg-1 r a1 ) (arg-2 r a2 )... (arg-n r an ). / : 5 ; < 2 = 5 8 = 5 3 >? 8 6 ; A < 5 8 B 8 ; C U. E F GH I J K GL M L N GI OI P I O Q Die drei betrachteten link-typen gerichtete Kanten (für binäre Relationen) Äquivalenzklassen (für symmetrische, transitive Relationen) explizite Knoten (für Relationen mit > 2 Argum.) erfordern jeweils spezielle Graph-Suchalgorithmen ("link traverser"), die aber die Effizienz erheblich steigern. D.h. es wird ein expliziter Relationen-Knoten (hier: parents relationship) eingeführt und markierte Kanten für die Binär-Relationen (Pointer-Paare), die eine Instanz der Relation mit ihren Argumenten verbinden. inst-links werden eine besondere Rolle spielen ("property inheritance"). / : 5 ; < 2 = 5 8 = 5 3 >? 8 6 ; A < 5 8 B 8 ; C U U
12 } n o pq r s t pu v u w pr xr y r x z (für indexierte Assertionen erläutert, für assoz. Netzwerke analog übernehmbar) Wenn zwei Konstanten als gleich assertiert werden, kann diese Assertion als "="-link dargestellt werden. Der Retrieval-Algorithmus kann sie dann wie gleiche Objekte behandeln. Beispiel: 1. index-fetch wird so geändert, daß nicht In einer Detektiv-Geschichte stellt sich heraus, nur (bucket pos pat) für ein Atom pat daß der Butler Ackroyd der in anderen Fakten gefunden wird, sondern auch (bucket pos e) erwähnte Mörder ist: für jedes Atom e, daß als gleich mit pat assertiert worden ist. (= ackroyd murderer-97) 2. unify wird so geändert, daß nicht nur Wenn jetzt Fakten über Ackroyd in der Atome auf (syntaktische) Gleichheit geprüft DATABASE erfragt werden sollen, kann die werden, sondern auch daraufhin, ob sie als assertierte Gleichheit unter folgenden gleich assertiert worden sind. Umständen genutzt werden: (im einzelnen siehe Seite 404f) W X Y Z [ \ ] ^ _ ` a b c ^ d e [ f ^ a f ^ \ g h a _ d ] i j e ^ a k a d ^ ] ] i b ^ a l U m n o pq r s t pu v u w pr xr y r x z Charniak & McDermott, Kapitel 6, Seite W X Y Z [ \ ] ^ _ ` a b c ^ d e [ f ^ a f ^ \ g h a _ d ] i j e ^ a k a d ^ ] ] i b ^ a l {
Indexieren von PL-Formeln. Fetch-Pattern (ãhol-musterò) 4 Logik und Inferenz. Methoden der KŸnstlichen Intelligenz
Indexing Accessibiity is just as important as content 4 Logik und Inferenz 12. Voresung: Indexing; Assoziative Netzwerke Inferenz durch Graphsuche Methoden der KŸnstichen Inteigenz Ipke Wachsmuth ÊWS 2000/2001
Mehr6 Logik und Deduktion
$ $ $ $ $ 6 Logik und Deduktion 15. Vorlesung: Vorwärtsverkettung und Unifikation (korrigierte Fassung) Was sind Ziele und Vorhaben der KI? Wie lassen sich Probleme durch (geschickte) Suche lösen? Wie
Mehr3 Logik und Inferenz. Methoden der Künstlichen Intelligenz. 8. Vorlesung: Unifikation; Vorwärts- und Rückwärtsverkettung, Ipke Wachsmuth WS 2008/2009
3 Logik und Inferenz 8. Vorlesung: Unifikation; Vorwärts- und Rückwärtsverkettung, Goal Trees Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2008/2009 Schlussfolgern durch Theorembeweisen INTERFACE
Mehr1 Symbolische Repräsentation
1 Symbolische Repräsentation 2. Vorlesung: Repräsentation mit Logik, semantischen Netzen und Frames Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2008/2009 Interne Repräsentation Repräsentation
Mehr1 Symbolische Repräsentation
1 Symbolische Repräsentation 2. Vorlesung: Repräsentation mit Logik, semantischen Netzen und Frames Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2009/2010 Interne Repräsentation Repräsentation
Mehr1 Symbolische Repräsentation
Universität Bielefeld Interne Repräsentation 1 Symbolische Repräsentation 2. Vorlesung: Repräsentation mit Logik, semantischen Netzen und Frames Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2003/2004
Mehr6 Logik und Deduktion
$ $ $ $ 6 Logik und Deduktion 16. Vorlesung: Skolemisierung Rückwärtsverkettung und Goal Trees Skolemisierung allgemeines Verfahren, um PL-Formeln für maschinelle Deduktion vorzubereiten Rückwärtsverkettung
Mehr4 Spezielle Schlussverfahren
4 Spezielle Schlussverfahren 12. Vorlesung: Temporales und räumliches Schließen Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2008/2009 Wozu temporales Schließen? Zustände und Ereignisse INTERFACE
Mehr4 Spezielle Schlußverfahren
Universität Bielefeld Wozu temporales Schließen? 4 Spezielle Schlußverfahren 12. Vorlesung: Temporales und räumliches Schließen Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2004/2005 INTERFACE
MehrKernfragen der Vorlesung. Schlu folgern (ãreasoningò) 4 Logik und Inferenz. Methoden der KŸnstlichen Intelligenz
Wissen Ð ReprŠsentation 4 Logik und Inferenz 10. Vorlesung: Schlußfolgern im Prädikatenkalkül; einfache Deduktion; Skolemisierung Methoden der KŸnstlichen Intelligenz Ipke Wachsmuth ÊWS 2000/2001 Wissen
MehrBinäre Suchbäume (binary search trees, kurz: bst)
Binäre Suchbäume (binary search trees, kurz: bst) Datenstruktur zum Speichern einer endlichen Menge M von Zahlen. Genauer: Binärbaum T mit n := M Knoten Jeder Knoten v von T ist mit einer Zahl m v M markiert.
Mehr2 Theorie der semantischen Typen
2 Theorie der semantischen Typen 2 Theorie der semantischen Typen [ Dowty 83-97, Gamut 75-9, Partee 338-34] 2. Typen Eine mögliche Erweiterung von PL ist die Prädikatenlogik der 2. Stufe (PL2). In PL2
MehrResolution und Regeln
Resolution und Regeln Hans Kleine Büning University of Paderborn Institute for Computer Science Group Paderborn, 18. Juli 2013 Resolution und Regeln Hans Kleine Büning 1/9 Resolution Theorem Resolution:
MehrLogische und funktionale Programmierung
Logische und funktionale Programmierung Vorlesung 9: Prolog - Das Prädikat CUT Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 9. Dezember 2016 1/31 Läßt sich nämlich
MehrStructure Sharing vs. Structure Copying
a, b, c, d?-a. a, e, f CP a a, g b, c, d b, g, h g, h, c, d c, k, g h, c, d g c, d h k, g, d backtracking SLD-Ableitungen a :- b,c,d. a :- e,f. a :- g. b :- g,h. c :- k,g. g. h. CP a e, f a g { } backtracking
MehrBeweisen mit Semantischen Tableaux
Beweisen mit Semantischen Tableaux Semantische Tableaux geben ein Beweisverfahren, mit dem ähnlich wie mit Resolution eine Formel dadurch bewiesen wird, dass ihre Negation als widersprüchlich abgeleitet
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphdarstellungen Maike Buchin 0.6.017 Graphen Motivation: Graphen treten häufig als Abstraktion von Objekten (Knoten) und ihren Beziehungen (Kanten) auf. Beispiele: soziale
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 13. Prädikatenlogik Der Satz von Herbrand Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Semantische Bäume Eine klassische
MehrGraphen KAPITEL 3. Dieses Problem wird durch folgenden Graph modelliert:
KAPITEL 3 Graphen Man kann als Ursprung der Graphentheorie ein Problem sehen, welches Euler 1736 von Studenten aus Königsberg gestellt bekam. Der Fluss Pregel wird von 7 Brücken überquert, und die Frage
MehrGoogle Knowledge Graph. Kursfolien Teil 2. Karin Haenelt
Google Knowledge Graph Kursfolien Teil 2 Karin Haenelt 1.8.2015 Themen Systemübersicht Datengraph Aufbau Modellierung Auswertungen des Datengraphen Aufschlussreiche Beziehungen Retrievalbeispiele 2 Google
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
MehrLogische und funktionale Programmierung
Logische und funktionale Programmierung Vorlesung 10: Prolog - Das Prädikat CUT Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 12. Dezember 2016 1/38 UNTERBINDEN
MehrFormale Methoden der Softwaretechnik 1 Vorlesung vom : Grundlage von Isabelle
1 Formale Methoden der Softwaretechnik 1 Vorlesung vom 16.11.09: Grundlage von Isabelle Christoph Lüth, Lutz Schröder Universität Bremen Wintersemester 2009/10 2 Fahrplan Teil I: Grundlagen der Formalen
Mehr13 Abstrakte Datentypen
13 Abstrakte Datentypen Bisher: Konkrete Datentypen Menge von Elementen Operationen auf den Elementen (Konstruktoren, Selektoren, Typprädikate) Eigenschaften abgeleitet Jetzt: Abstrakte Datentypen (ADT)
MehrLogik I. Symbole, Terme, Formeln
Logik I Symbole, Terme, Formeln Wie jede geschriebene Sprache basiert die Prädikatenlogik erster Stufe auf einem Alphabet, welches aus den folgenden Symbolen besteht: (a) Variabeln wie zum Beispiel v 0,v
MehrHilfestellungen zu Relationen, Automatenübergänge und Hüllen
Hilfestellungen zu Relationen, Automatenübergänge und Hüllen Erik Fäßler December 18, 2009 1 Relationen Die gültigen Übergänge eines endlichen Automaten - oder Finite State Automaton, FSA - werden formal
MehrMathematik für Informatiker I im WS08/09. Probeklausur
Mathematik für Informatiker I im WS08/09 Probeklausur Name:....................................... Matrikelnummer:.................. Aufgabe 1 2 3 4 5 Gesamt Punkte /8 /6 /4 + 4 /8 /8 /34 + 4 Wichtige
MehrÜbungen zur Vorlesung Modellierung WS 2003/2004 Blatt 6 Musterlösungen
Dr. Theo Lettmann Paderborn, den 21. November 2003 Abgabe 1. Dezember 2003 Übungen zur Vorlesung Modellierung WS 2003/2004 Blatt 6 Musterlösungen AUFGAB 38 : s seien folgende Prädikate gegeben: Person()
MehrEffizienter Planaritätstest Vorlesung am
Effizienter Planaritätstest Vorlesung am 23.04.2014 INSTITUT FÜR THEORETISCHE INFORMATIK PROF. DR. DOROTHEA WAGNER Satz Gegebenen einen Graphen G = (V, E) mit n Kanten und m Knoten, kann in O(n + m) Zeit
MehrKlausur zur Vorlesung Grundbegriffe der Informatik 14. September 2015
Klausur zur Vorlesung Grundbegriffe der Informatik 14. September 2015 Klausurnummer Nachname: Vorname: Matr.-Nr.: Diese Klausur ist mein 1. Versuch 2. Versuch in GBI Email-Adr.: nur falls 2. Versuch Aufgabe
Mehr4. OBDDs und Modellüberprüfung
4. OBDDs und Modellüberprüfung OBDD Ordered Binary Decision Diagrams Geordnete binäre Entscheidungsdiagramme Binäres Entscheidungsdiagramm: in der einfachsten Form ein binärer Entscheidungsbaum, in dem
MehrGentzen-Kalküle. bestehen aus mehreren, recht komplexen Axiomen, und wenigen Schlußregel (für Aussagenlogik: nur einer, für Prädikatenlogik drei).
Gentzen-Kalküle Axiomatische Systeme ( Hilbert Kalküle ): bestehen aus mehreren, recht komplexen Axiomen, und wenigen Schlußregel (für Aussagenlogik: nur einer, für Prädikatenlogik drei). Probleme mit
MehrLogik Vorlesung 7: Grundlagen Prädikatenlogik
Logik Vorlesung 7: Grundlagen Prädikatenlogik Andreas Maletti 5. Dezember 2014 Überblick Inhalt 1 Motivation und mathematische Grundlagen 2 Aussagenlogik Syntax und Semantik Äquivalenz und Normalformen
MehrMathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018
Mathematik I für Studierende der Informatik und Wirtschaftsinformatik (Diskrete Mathematik) im Wintersemester 2017/2018 23. November 2017 1/40 Satz 4.27 (Multinomialsatz) Seien r, n N 0. Dann gilt für
MehrReduktionssysteme und Termersetzungssysteme
Reduktionssysteme und Termersetzungssysteme Untersuchung von Berechnungen mittels Reduktionsregeln Simplifikation von: Datenstrukturen / Termen usw. Erkennen von gleichen Objekten durch Normalisierung
MehrFormale Grundlagen der Informatik 1 Kapitel 19. Syntax & Semantik
Formale Grundlagen der Informatik 1 Kapitel 19 & Frank Heitmann heitmann@informatik.uni-hamburg.de 23. Juni 2015 Frank Heitmann heitmann@informatik.uni-hamburg.de 1/25 Motivation Die ist eine Erweiterung
MehrAlgorithmen I - Tutorium 28 Nr. 9
Algorithmen I - Tutorium 28 Nr. 9 29.06.2017: Spaß mit Graphen und Graphtraversierung Marc Leinweber marc.leinweber@student.kit.edu INSTITUT FÜR THEORETISCHE INFORMATIK (ITI), PROF. DR. JÖRN MÜLLER-QUADE
MehrFolien zu Data Mining von I. H. Witten und E. Frank. übersetzt von N. Fuhr
Folien zu Data Mining von I. H. Witten und E. Frank übersetzt von N. Fuhr Von Naivem Bayes zu Bayes'schen Netzwerken Naiver Bayes Annahme: Attribute bedingt unabhängig bei gegebener Klasse Stimmt in der
MehrKapitel 9: Lineare Programmierung Gliederung
Gliederung 1. Grundlagen 2. Zahlentheoretische Algorithmen 3. Sortierverfahren 4. Ausgewählte Datenstrukturen 5. Dynamisches Programmieren 6. Graphalgorithmen 7. String-Matching 8. Kombinatorische Algorithmen
MehrTU7 Aussagenlogik II und Prädikatenlogik
TU7 Aussagenlogik II und Prädikatenlogik Daniela Andrade daniela.andrade@tum.de 5.12.2016 1 / 32 Kleine Anmerkung Meine Folien basieren auf den DS Trainer von Carlos Camino, den ihr auf www.carlos-camino.de/ds
MehrAufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen u, w, y, z:
Aufgabe 1.1 8 (a) Zeichnen Sie einen einfachen Graphen mit der Gradsequenz (1, 2, 2, 2, 3, 4). (b) Ist jeder einfache Graph mit der Gradsequenz (1, 2, 2, 2, 3, 4) zusammenhängend? (c) Hat jeder einfache
MehrAufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen s, u, w, y:
Aufgabe 3.1 8 (a) Zeichnen Sie einen einfachen Graphen mit der Gradsequenz (2, 3, 3, 3, 3, 4). (b) Ist jeder einfache Graph mit der Gradsequenz (2, 3, 3, 3, 3, 4) zusammenhängend? (c) Hat jeder einfache
MehrAufgabe Gegeben sind die folgenden aussagenlogischen Formeln F, G, H über den Variablen s, p, w, y:
Aufgabe 2.1 8 (a) Zeichnen Sie einen einfachen Graphen mit der Gradsequenz (1, 1, 2, 2, 4, 4). (b) Ist jeder einfache Graph mit der Gradsequenz (1, 1, 2, 2, 4, 4) zusammenhängend? (c) Hat jeder einfache
MehrDiskrete Strukturen Kapitel 2: Grundlagen (Relationen)
WS 2016/17 Diskrete Strukturen Kapitel 2: Grundlagen (Relationen) 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
MehrKapitel 1 Einleitung. Definition: Algorithmus nach M. Broy: aus: Informatik: Eine grundlegende Einführung, Band 1, Springer-Verlag, Berlin
Kapitel 1 Einleitung 1.1. Begriff des Algorithmus Eine der ältesten Beschreibungstechniken für Abläufe: Benannt nach dem Mathematiker Al-Khwarizmi (ca. 780...840), der am Hof der Kalifen von Bagdad wirkte.
MehrErgänzung zu Theoretische Informatik II
Ergänzung zu Theoretische Informatik II Prädikatenlogik Carlos Camino www.fmi.uni-stuttgart.de/ti/teaching/s18/eti2 Sommersemester 2018 Strukturen Eine Struktur A (schön-a oder kalligrafisches A) ist ein
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
MehrGraphentheorie 1. Diskrete Strukturen. Sommersemester Uta Priss ZeLL, Ostfalia. Hausaufgaben Graph-Äquivalenz SetlX
Graphentheorie 1 Diskrete Strukturen Uta Priss ZeLL, Ostfalia Sommersemester 2016 Diskrete Strukturen Graphentheorie 1 Slide 1/19 Agenda Hausaufgaben Graph-Äquivalenz SetlX Diskrete Strukturen Graphentheorie
MehrLogik und Künstliche Intelligenz
Logik und Künstliche Intelligenz Kurze Zusammenfassung (Stand: 14. Januar 2010) Prof. Dr. V. Stahl Copyright 2007 by Volker Stahl. All rights reserved. V. Stahl Logik und Künstliche Intelligenz Zusammenfassung
MehrDatenstrukturen Teil 2. Bäume. Definition. Definition. Definition. Bäume sind verallgemeinerte Listen. Sie sind weiter spezielle Graphen
Bäume sind verallgemeinerte Listen Datenstrukturen Teil 2 Bäume Jeder Knoten kann mehrere Nachfolger haben Sie sind weiter spezielle Graphen Graphen bestehen aus Knoten und Kanten Kanten können gerichtet
MehrLogik für Informatiker
Logik für Informatiker 3. Prädikatenlogik Teil 1 9.06.2015 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Rückblick: Vor- und Nachteile von Aussagenlogik + Aussagenlogik
MehrLogik für Informatiker
Logik für Informatiker 3. Prädikatenlogik Teil 1 5.06.2012 Viorica Sofronie-Stokkermans Universität Koblenz-Landau e-mail: sofronie@uni-koblenz.de 1 Rückblick: Vor- und Nachteile von Aussagenlogik + Aussagenlogik
MehrMarkov Logik. Matthias Balwierz Seminar: Maschinelles Lernen WS 2009/2010 Prof. Fürnkranz
Markov Logik Matthias Balwierz Seminar: Maschinelles Lernen WS 2009/2010 Prof. Fürnkranz Überblick Markov Netze Prädikatenlogik erster Stufe Markov Logik Inferenz Lernen Anwendungen Software 18.11.2009
Mehr2 Zahlbereichserweiterungen I
2 Zahlbereichserweiterungen I Obwohl wir in den vergangenen Kapiteln schon andere Zahlen als die natürlichen Zahlen benutzt haben, wollen wir auch auf diese noch einmal einen grundsätzlichen Blick werfen.
MehrWS 20013/14. Diskrete Strukturen
WS 20013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws1314
MehrTheoretische Informatik 1 WS 2007/2008. Prof. Dr. Rainer Lütticke
Theoretische Informatik 1 WS 2007/2008 Prof. Dr. Rainer Lütticke Inhalt der Vorlesung Grundlagen - Mengen, Relationen, Abbildungen/Funktionen - Datenstrukturen - Aussagenlogik Automatentheorie Formale
Mehr5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS)
5 BINÄRE ENTSCHEIDUNGS- DIAGRAMME (BDDS) Sommersemester 2009 Dr. Carsten Sinz, Universität Karlsruhe Datenstruktur BDD 2 1986 von R. Bryant vorgeschlagen zur Darstellung von aussagenlogischen Formeln (genauer:
MehrÜbersicht. 9. Schließen in der Prädikatenlogik 1. Stufe
Übersicht I Künstliche Intelligenz II Problemlösen III Wissen und Schlußfolgern 6. Logisch schließende Agenten 7. Prädikatenlogik 1. Stufe 8. Entwicklung einer Wissensbasis 9. Schließen in der Prädikatenlogik
MehrLogische Programmierung & Deduktive Datenbanken Klausur
Prof. Dr. Stefan Brass 22. September 2011 Institut für Informatik MLU Halle-Wittenberg Logische Programmierung & Deduktive Datenbanken Klausur Name: Matrikelnummer: Studiengang: Aufgabe Punkte Max. Punkte
MehrSoftware Entwicklung 1. Fallstudie: Arithmetische Ausdrücke. Rekursive Klassen. Überblick. Annette Bieniusa / Arnd Poetzsch-Heffter
Software Entwicklung 1 Annette Bieniusa / Arnd Poetzsch-Heffter Fallstudie: Arithmetische Ausdrücke AG Softech FB Informatik TU Kaiserslautern Bieniusa/Poetzsch-Heffter Software Entwicklung 1 2/ 33 Überblick
MehrLösungsvorschläge und Erläuterungen Klausur zur Vorlesung Grundbegriffe der Informatik 6. März 2017
Lösungsvorschläge und Erläuterungen Klausur zur Vorlesung Grundbegriffe der Informatik 6. März 2017 Klausurnummer Nachname: Vorname: Matr.-Nr.: Diese Klausur ist mein 1. Versuch 2. Versuch in GBI Email-Adr.:
MehrÜbungsblatt 7 - Voronoi Diagramme
Karlsruher Institut für Technologie Algorithmische Geometrie Fakultät für Informatik Sommersemester 2012 ITI Wagner Martin Nöllenburg/Andreas Gemsa Übungsblatt 7 - Voronoi Diagramme 1 Voronoi-Zellen Sei
MehrTerme. Programmierkurs Prolog p.1
Terme Programmierkurs Prolog p.1 Heute: Terme vergleichen Struktur von Termen Operatoren Programmierkurs Prolog p.2 Termgleichheit:?- a a.?- a no?- X no b. Y.?- X X.?- X no a. Programmierkurs Prolog p.3
MehrMagic Sets. Kontrollkomponente SIP. Sideways Information Passing Strategy (SIP-Strategy)
Sideways Information Passing Strategy (SIP-Strategy) Magic Sets (informal) Für eine Regel eines Programms stellt eine SIP- Strategie eine Entscheidung hinsichtlich der Auswertungsreihenfolge der Prädikate
MehrEinführung Funktionsweise von BLAST Praxis? BLAST. David Dueck
Funktionsweise von 12.07.2007 Funktionsweise von Was ist? Berkeley Lazy Abstraction Software Verification Tool statische Prüfung von Sicherheitseigenschaften Funktionsweise von Welches Problem löst? Einfachste
MehrWS 2009/10. Diskrete Strukturen
WS 2009/10 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws0910
MehrKapitel 7: Flüsse in Netzwerken und Anwendungen Gliederung der Vorlesung
Gliederung der Vorlesung. Fallstudie Bipartite Graphen. Grundbegriffe 3. Elementare Graphalgorithmen und Anwendungen 4. Minimal spannende Bäume 5. Kürzeste Pfade 6. Traveling Salesman Problem 7. Flüsse
MehrSemantische Netze Psychologische Plausibilität
Conceptual Graphs Knoten repräsentieren Konzepte oder konzeptuelle Relationen; Kanten haben keine Labels n-stellige konzeptuelle Relation repräsentiert als Knoten mit n Kanten Mächtigkeit der PL1; aber
Mehrelementare Datenstrukturen
elementare Datenstrukturen Wie die Daten das Laufen lernten Andreas Ferber af@myipv6.de elementare Datenstrukturen p./40 KISS elementare Datenstrukturen p./40 KISS (Keep It Simple, Stupid) Immer die einfachste
MehrMehrsortige Strukturen
Was bisher geschah Modellierung von Daten durch Mengen (Individuenbereiche), häufig zusammengesetzt durch Mengenoperationen, Zusammenhängen zwischen Individuen durch Relationen (auch Eigenschaften) Funktionen
MehrVorlesung Diskrete Strukturen Relationen
Vorlesung Diskrete Strukturen Relationen Bernhard Ganter WS 2009/10 Relationen Es seien A und B Mengen. Eine (binäre) Relation zwischen A und B ist eine Teilmenge von A B. Ein wichtiger Spezialfall ist
MehrSoftware Entwicklung 1
Software Entwicklung 1 Annette Bieniusa / Arnd Poetzsch-Heffter AG Softech FB Informatik TU Kaiserslautern Fallstudie: Arithmetische Ausdrücke Bieniusa/Poetzsch-Heffter Software Entwicklung 1 2/ 33 Überblick
Mehr4.1 Motivation. Theorie der Informatik. Theorie der Informatik. 4.1 Motivation. 4.2 Syntax der Prädikatenlogik. 4.3 Semantik der Prädikatenlogik
Theorie der Informatik 3. März 2014 4. Prädikatenlogik I Theorie der Informatik 4. Prädikatenlogik I 4.1 Motivation Malte Helmert Gabriele Röger 4.2 Syntax der Prädikatenlogik Universität Basel 3. März
MehrÜbersichtsblatt Hertrampf/Bahrdt. 1 Mathematische Aussagen. Theoretische Informatik I WS2018/19
Theoretische Informatik I WS2018/19 Übersichtsblatt Hertrampf/Bahrdt Institut für Formale Methoden der Informatik Theoretische Informatik Universität Stuttgart 1 Mathematische Aussagen Um mathematische
MehrPro Informatik: Logik und Diskrete Mathematik. Klausur am
Pro Informatik: Logik und Diskrete Mathematik Klausur am 10.10.2008 SS08 Name:....................................... Matrikelnummer:.................. Aufgabe 1 2 3 4 5 Gesamt Punkte /8 /6 /4 + 4 /8 /8
MehrBinary Decision Diagrams (BDDs) 1
Handout 22.11.2011 Binary Decision Diagrams (BDDs) 1 Übersicht Es gibt viele verschiedene Möglichkeiten um Boole sche Funktionen zu repräsentieren (Boole sche Formeln, Minterme, Wahrheitstabellen, ). Manche
MehrUnifikation. T eine Menge von Termen. σ(t) einelementig ist. Definition: Unifikator. Eine Substitution σ ist Unifikator von T, falls
Unifikation Definition: Unifikator T eine Menge von Termen Eine Substitution σ ist Unifikator von T, falls σ(t) einelementig ist Logik für Informatiker, SS 06 p.12 Unifikation Definition: Unifikator T
MehrDieser Foliensatz darf frei verwendet werden unter der Bedingung, dass diese Titelfolie nicht entfernt wird.
Thomas Studer Relationale Datenbanken: Von den theoretischen Grundlagen zu Anwendungen mit PostgreSQL Springer, 2016 ISBN 978-3-662-46570-7 Dieser Foliensatz darf frei verwendet werden unter der Bedingung,
MehrKapitel 2. Mathematische Grundlagen. Skript zur Vorlesung Einführung in die Programmierung
LUDWIG- MAXIMILIANS- UNIVERSITY MUNICH DEPARTMENT INSTITUTE FOR INFORMATICS DATABASE Kapitel 2 Mathematische Grundlagen Skript zur Vorlesung Einführung in die Programmierung im Wintersemester 2012/13 Ludwig-Maximilians-Universität
MehrTeil 111. Chart-Parsing
Teil 111 Chart-Parsing 102 Die im ersten Teil des Buches behandelten einfachen Parsingalgorithmen sind, anders als die meisten vor allem im Compilerbau verwendeten Algorithmen (z.b. die LLoder LR-Parsingalgorithmen),
MehrVorlesung Datenstrukturen
Vorlesung Datenstrukturen Graphen (1) Darstellung Traversierung Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 441 Generalisierung von Bäumen Verallgemeinerung (von Listen zu Graphen)
MehrWiederholung: Modellierung in Prädikatenlogik
Was bisher geschah Modellierung von Aussagen durch logische Formeln Daten durch Mengen, Multimengen, Folgen, Sprachen Zusammenhängen und Eigenschaften von Elementen von Mengen durch Relationen (Eigenschaften
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
MehrAufgaben zur Klausurvorbereitung
Vorlesung Graphen und Optimierung Sommersemester 2013/14 Prof. S. Lange Aufgaben zur Klausurvorbereitung Hier finden Sie eine Reihe von Übungsaufgaben, die wir an den beiden Vorlesungsterminen am 29.01.2014
MehrTeil 4: Rekursion und Listen
Einführung in das Programmieren Prolog Sommersemester 2006 Teil 4: Rekursion und Listen Version 1.0 Gliederung der LV Teil 1: Ein motivierendes Beispiel Teil 2: Einführung und Grundkonzepte Syntax, Regeln,
MehrVorlesung Diskrete Strukturen Relationen
Vorlesung Diskrete Strukturen Relationen Bernhard Ganter Institut für Algebra TU Dresden D-01062 Dresden bernhard.ganter@tu-dresden.de WS 2009/10 1 Bernhard Ganter, TU Dresden Modul Einführung in die Mathematik
MehrWS 2013/14. Diskrete Strukturen
WS 2013/14 Diskrete Strukturen Prof. Dr. J. Esparza Lehrstuhl für Grundlagen der Softwarezuverlässigkeit und theoretische Informatik Fakultät für Informatik Technische Universität München http://www7.in.tum.de/um/courses/ds/ws13/14
MehrTeil III. Komplexitätstheorie
Teil III Komplexitätstheorie 125 / 160 Übersicht Die Klassen P und NP Die Klasse P Die Klassen NP NP-Vollständigkeit NP-Vollständige Probleme Weitere NP-vollständige Probleme 127 / 160 Die Klasse P Ein
MehrKLAUSURDECKBLATT Studienhalbjahr: 1. Semester. Datum: 5. März 2015 Bearbeitungszeit: 90 Minuten. Modul: TINF1002 Dozent: Jan Hladik
Student/in: Unterschrift: Fakultät Studiengang: Jahrgang / Kurs : Technik Angewandte Informatik 2014 / 14K KLAUSURDECKBLATT Studienhalbjahr: 1. Semester Datum: 5. März 2015 Bearbeitungszeit: 90 Minuten
MehrAllgemeingültige Aussagen
Allgemeingültige Aussagen Definition 19 Eine (aussagenlogische) Formel p heißt allgemeingültig (oder auch eine Tautologie), falls p unter jeder Belegung wahr ist. Eine (aussagenlogische) Formel p heißt
MehrTheoretische Informatik II
Theoretische Informatik II Dr. Eva Richter / Holger Arnold Universität Potsdam, Theoretische Informatik, Sommersemester 2008 Übungsblatt 3 (Version 4) Abgabetermin: 13.5.2008, 12.00 Uhr Der λ-kalkül Da
MehrFormale Methoden 1. Gerhard Jäger 7. November Uni Bielefeld, WS 2007/2008 1/18
1/18 Formale Methoden 1 Gerhard Jäger Gerhard.Jaeger@uni-bielefeld.de Uni Bielefeld, WS 2007/2008 7. November 2007 2/18 Geordnete Paare Mengen sind ungeordnet: {a, b} = {b, a} für viele Anwendungen braucht
MehrDiskrete Strukturen und Logik WiSe 2007/08 in Trier. Henning Fernau Universität Trier
Diskrete Strukturen und Logik WiSe 2007/08 in Trier Henning Fernau Universität Trier fernau@uni-trier.de 1 Diskrete Strukturen und Logik Gesamtübersicht Organisatorisches Einführung Logik & Mengenlehre
MehrDatenbanken: Indexe. Motivation und Konzepte
Datenbanken: Indexe Motivation und Konzepte Motivation Warum sind Indexstrukturen überhaupt wünschenswert? Bei Anfrageverarbeitung werden Tupel aller beteiligter Relationen nacheinander in den Hauptspeicher
MehrWas fehlt den semantischen Netzen?
Semantische Netze Grundidee RDF SPARQL Was fehlt den semantischen Netzen? Beschreibungslogiken Web Ontology Language OWL I. Boersch Jun-13 1 Auch: Topic Maps, Mindmaps Ross Quillian, 1967 Ziel: Sprachverarbeitung
MehrÜberblick. 3. Mathematische Grundlagen 3.1 Mengen und Abbildungen 3.2 Induktion und Rekursion 3.3 Boolsche Algebra
Überblick 3. Mathematische Grundlagen 3.1 Mengen und Abbildungen 3.2 3.3 Boolsche Algebra Peer Kröger (LMU München) Einführung in die Programmierung WS 14/15 72 / 179 Beweisprinzip der vollständigen Induktion
Mehr