1 Symbolische Repräsentation
|
|
- Linus Brauer
- vor 6 Jahren
- Abrufe
Transkript
1 1 Symbolische Repräsentation 3. Vorlesung: Wissensrepräsentation von Frames zu KL-ONE Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2012/2013
2 Wissensrepräsentation: 2 Aufgaben Entwurf von Repräsentationsformalismen Wissensmodellierung Repräsentationsformalismen Beschreibungssprachen für symbolisch darzustellendes Wissen, in denen sich automatisch Inferenzen bilden lassen Wissensmodellierung Festlegung der konkreten Konzepte für einen Weltbereich und Kodierung des Wissens im gewählten Formalismus 3. Vorlesung Methoden der Künstlichen Intelligenz 2
3 Konzeptualisierung Jede formale Wissensrepräsentation basiert auf einer Konzeptualisierung der betrachteten Welt ( Domäne ): Darunter versteht man die Objekte, deren Existenz für eine Domäne angenommen wird, und ihre Relationen untereinander. Eine Konzeptualisierung ist eine abstrakte (begriffliche) Sicht auf die zu modellierende Domäne: legt unter anderem die Terminologie (in Form der Symbole) fest. Für Agenten hängt das, was in ihrer konzeptualisierten Welt existieren kann (die Ontologie ), also davon ab, was symbolisch repräsentierbar ist. 3. Vorlesung Methoden der Künstlichen Intelligenz 3
4 Dinge Symbole Konzepte Die Bedeutung eines Symbols wird durch die in seinem Kontext erschließbare Informamation konstituiert Konzepte beschreiben die Dinge/Objekte, wie sie "begriffen" sind also z.b. "Messer": ein Werkzeug mit Griff und Klinge zum Schneiden Symbol " "Messer"" referenziert auf " Dinge einer Art " benennt / ruft auf " Konzept " MESSER" isa:!werkzeug" haspart:!klinge" haspart:!griff! function:!schneiden" Dafür eignen sich z.b. Frames Realwelt " kognitive Welt " 3. Vorlesung Methoden der Künstlichen Intelligenz 4
5 Kernideen von Frames Formalismen, mit denen eine Menge von Fakten strukturiert, ökonomisch, mit Basiswissen über die Verwendung abgespeichert werden kann. Vererbungshierarchien zugeordnete Prozeduren Erwartungswerte (Defaults) Verwendungsaspekte a) Klassifikation anhand von Eigenschaften b) Eigenschaftszuschreibung 3. Vorlesung Methoden der Künstlichen Intelligenz 5
6 Vererbungshierarchien dienen der ökonomischen Datenhaltung Objekte (genaugenommen Objektklassen) werden in Hierarchien strukturiert: individuelle Eigenschaften beim Objekt selbst abgespeichert, allgemeine Eigenschaften den Vorgängern in der Hierarchie zugeordnet und an alle Nachfolger vererbt. flexibler: Vererbungsheterarchien Vererbung der Eigenschaften mehrerer Vorgänger möglich (z.b. "Hund" erbt von einerseits "Säugetier" und andererseits "Haustier") Möglichkeit der gezielten Unterdrückung einzelner Eigenschaften 3. Vorlesung Methoden der Künstlichen Intelligenz 6
7 Zugeordnete Prozeduren (kleine) Programme, die einer Eigenschaft eines Objektes zugeordnet sind und bei jedem Lese- oder Schreibzugriff auf dessen Wert ausgeführt werden, etwa um: aus vorhandenen Parametern neue zu berechnen, z.b. Alter aus Geburtsdatum Werteänderungen zu überwachen, z.b. bei jedem Schreibzugriff den neuen Wert auf dem Bildschirm anzeigen (active values) Zugeordnete Prozeduren können in einer Objekthierarchie (ähnlich wie Werte) vererbt werden. 3. Vorlesung Methoden der Künstlichen Intelligenz 7
8 Erwartungswerte (Defaults) Vorbelegungen von Werten, die normalerweise, aber nicht immer stimmen und daher überschrieben werden können. Beispiel: Normalerweise können Vögel fliegen...!(vogel Flugfähigkeit ja)!!(pinguin ist_ein Vogel)!!(Pinguin Flugfähigkeit nein)!!vererbung der Flugfähigkeit auf Pinguine durch Überschreibung unterdrückt! Der Einsatz von Defaults kann erfordern, dass Schlussfolgerungen zurückgezogen werden müssen. > TEIL 4 3. Vorlesung Methoden der Künstlichen Intelligenz 8
9 Problematik von Defaults Es gibt einzelne Elefanten, die weiß sind: Sollten Slot-Werte (z.b. Farbe) überschreibbar sein? Objekt "Eigenschaften "Werte" Elefant : "ist_ein : " "Säugetier" "Farbe : " "grau" "hat : " "Rüssel" "Größe : " "groß" "Lebensraum : "Boden" FRAGE: Was ist groß, grau, hat einen Rüssel und lebt auf Bäumen? ANTWORT: Ein Elefant die Bäume sind eine Abweichung bezüglich des Lebensraums typischer Elefanten. (Brachmann, 1985) 3. Vorlesung Methoden der Künstlichen Intelligenz 9
10 Kritik Wenn alle Slot-Werte durch Ausnahmen überschrieben werden können, ist eine automatische Klassifikation von Objekten anhand ihrer Eigenschaften nicht möglich. Radikale Konsequenz: Erwartungswerte (Defaults) und Abweichungen bei der Objekt-Definition verbieten.» Grundidee der KL-ONE-Sprachen (später) 3. Vorlesung Methoden der Künstlichen Intelligenz 10
11 Conceptual Primitives -Ansatz (spezielles Gewicht auf der Konzeptualisierung von Handlungen)! Idee: die Repräsentation wird aus fest vorgegebenen Grundeinheiten ( konzeptuellen Primitiven ) komponiert Als Beispiel hier betrachtet: Roger Schanks Conceptual Dependency (CD)-Notation Alltagswelt ( everyday human actions ) Basiseinheit: event (oder auch conceptualization ) zu conceptual primitives: Charniak & McDermott, Kapitel 6, Seite Vorlesung Methoden der Künstlichen Intelligenz 11
12 Beispiel: ptrans (physischer Transfer)" event-token" event-type" agent" action" (event ev-29 ( do ipke-1 (ptrans book-4 m4-127 h-8)))" (speed ev-29 slow)" (vehicle ev-29 bag-103)" Umschreibbar in slot-assertion-notation:" (inst ev-29 ptrans)" (agent ev-29 ipke-1)" (patient ev-29 book-4)" (source ev-29 m4-127)" (dest ev-29 h-8)" (speed ev-29 slow)" (vehicle ev-29 bag-103)" Prädikat für "physischer Transfer": ein Handlungsprimitiv (primitive act)! Hier transferiert ein gewisser Ipke physisch ein Buch in einer Tasche von M4-127 nach H8... hypothetisches Ereignis; wird konkret" mit Assertierung von (happen ev-29)" (actual-event token type) bedeutet" (and (event token type)" (happen token))" 3. Vorlesung Methoden der Künstlichen Intelligenz 12
13 Primitive Acts (nach R. Schank) (ptrans object place-1 place-2) ein Objekt wird physisch transferiert (move body-part destination) ein Körperteil wird wohin bewegt (atrans object owner-1 owner-2) Kontrollübergabe (abstrakter Transfer) (propel object place-1 place-2) ein Objekt wird abgestoßen (grasp object) ein Objekt wird gegriffen (ingest object orifice) (expel object orifice) etwas wird eingenommen/ausgestoßen Idee: ein vollständiges Repertoire zur" Beschreibung von Alltagshandlungen" (mtrans info place-1 place-2) Informationstransfer (mental); dabei ist info eine Formel oder ein Term (mbuild formula) der Agent assertiert bei sich formula (speak sounds) z.b. einen string von Phonemen (eine Möglichkeit des mtransens) (attend sensor-type object) ein Objekt wird wahrgenommen, z.b. (attend eye book-23) 3. Vorlesung Methoden der Künstlichen Intelligenz 13
14 Story von John und dem Löwen John ging durch den Wald. Plötzlich war da ein Löwe, der war sehr hungrig und wild. John tötete ihn. (actual-event ev-1 (do john-22 (ptrans startplace-1 (part middle wood-2 ))))" (precede ev-1 ev-2)" (actual-state ev-4 (loc lion-3 (near john-22)))" (precede ev-4 ev-2)" (actual-event ev-2" (do john-22 (mtrans "(actual-state ev-4 (loc lion-3 (near john-22)))" " " "eye" " " "(head john-22 ))))" (actual-event ev-3 (do john-22 (attend eye lion-3)))" (instr ev-2 ev-3)" (actual-event ev-5 (hungry lion-3 very))" (actual-event ev-6 (angry lion-3 very))" (same-time ev-5 ev-6)" (actual-event ev-7 (do john ))" (actual-event ev-8 (become (dead lion-3)))" (result ev-7 ev-8)" (reason ev-2 ev-7)" "" Die Geschichte in CD-Repräsentation 3. Vorlesung Methoden der Künstlichen Intelligenz 14
15 Bemerkungen zu Primitives Die Idee der konzeptuellen Primitive obwohl nett hat sich für größere Domänen als zu beschränkt erwiesen (das scaling-up -Problem). Es fehlt die Möglichkeit, bei Bedarf weitere, feiner differenzierte Konzepte einzuführen (das geht z.b. in KL-ONE). Allerdings sind konzeptuelle Primitive für den Zweck der Mensch-Maschine-Kommunikation interessant, da die Anzahl der primitive acts dort überschaubar ist. 3. Vorlesung Methoden der Künstlichen Intelligenz 15
16 Ideen von KL-ONE-Sprachen Trennung zwischen terminologischem und sonstigem Wissen ( T-Box, A-Box ) T-Box:" Terminology" A-Box:" Assertions" T-Box: Vererbungshierarchien mit präziser Semantik definierte Konzepte; keine Defaults automatische Klassifikation neuer Objekte anhand ihrer Eigenschaften möglich A-Box: Zuschreibung sonstiger (zufälliger) Eigenschaften für einzelne Individuen 3. Vorlesung Methoden der Künstlichen Intelligenz 16
17 T-Box und A-Box (KL-ONE-SPRACHE KRYPTON )! T-Box: Hierarchie" strukturierter Terme" A-Box: PL1-Formeln," deren Prädikate in der" T-Box definiert sind" Symboltabelle:" enthält die Namen" der T-Box-Terme" 3. Vorlesung Methoden der Künstlichen Intelligenz 17
18 Konzepte und Rollen in KL-ONE Kernidee der KL-ONE-Sprachen zur Ermöglichung automatischer Klassifikation: strikte Trennung von Aussagen über Objekte in definierende und zufällige Eigenschaften. definierende Eigenschaften > T-Box zufällige Eigenschaften > A-Box Objekte heißen in KL-ONE Konzepte. Definierende Eigenschaften heißen Rollen und müssen genau präzisieren, inwiefern ein Konzept spezieller als seine Vorgänger ist. 3. Vorlesung Methoden der Künstlichen Intelligenz 18
19 Wichtigste Sprachstrukturen Definition von Konzepten Konjunktion Conj-Generic ( Conjunction ) Wertbeschränkung VR-Generic ( Value Restriction ) Zahlbeschränkung NR-Generic ( Number Restriction ) Spezialisierung Prim-Generic Definition von Rollen Wert-Differenzierung VR-Diffrole Verkettung Role-Chain Spezialisierung Prim-Role! zu KL-ONE siehe z.b.: Puppe: Einführung in Expertensyst., Kap.5 3. Vorlesung Methoden der Künstlichen Intelligenz 19
20 Beispiel zu KL-ONE [Quelle: Puppe] Graphische Darstellung der Konzeptdefinitionen Junggeselle (mit Konjunktion) und Kinderreiche_Familie (mit Zahl-/Kardinalitätsbeschränkung der hat_kind -Rolle) 3. Vorlesung Methoden der Künstlichen Intelligenz 20
21 Beispiel zur Rollenrestriktion GEBÄUDE" HAT_EINGANG" TÜR" Hier: mit Wert-! restricts" beschränkung! KL-ONE:" Erfüllung von Rollen der T-Box in der" A-Box" (T-Box)" (A-Box)" GESCHÄFT" KAUFHAUS" satisfies" GLASTÜR" Für " KAUFHAUS-Gebäude wird der Wert der Rolle (= definierenden Eigenschaft) HAT_EINGANG auf Instanzen des Konzepts GLASTÜR beschränkt (restringiert)." Karstadt Bielefeld Karstadt Bielefeld s Glastür 3. Vorlesung Methoden der Künstlichen Intelligenz 21
22 Automatischer Classifier besteht aus einem Prädikat subsumes ( umfasst ): (K subsumes K ) ist wahr, wenn alle Rollen eines Konzepts K die Rollen eines Konzepts K subsumieren, das heißt: Die Wertbeschränkung und Kardinalitätsbeschränkung aller Rollen von K sind umfassender als die der Rollen von K einem Suchalgorithmus, der das spezifischste Konzept SK findet, das das einzuordnende Konzept EK noch umfasst das heißt: (SK subsumes EK) wahr, aber (SK subsumes EK) falsch für jedes Unterkonzept SK von SK. 3. Vorlesung Methoden der Künstlichen Intelligenz 22
23 Bemerkungen zum Classifier Bei T-Box-Sprachen mit Kardinalitätsbeschränkung kann der Classifier exponentiellen Rechenaufwand erfordern. Der Classifier erfordert strenge Einschränkungen in der T-Box-Sprache (keine überschreibbaren Defaults). Beliebige, auch der T-Box widersprechende Assertionen in der A-Box möglich (vom Classifier nicht berücksichtigt). Für viele Anwendungen sind die für den Classifier bezahlten Einschränkungen bei der Konzeptdefinition zu rigide. 3. Vorlesung Methoden der Künstlichen Intelligenz 23
24 Rückblick auf Teil 1 Ziele und Vorhaben der KI, Intelligenter Agent Symbolverarbeitung; interne Repräsentation Eindeutigkeitsforderung: referentiell, semantisch, funktional Prädikatenkalkül als Repräsentationsmittel Alternative Notationen (Logik, semantische Netze, Frames) Verwendung: Klassifikation bzw. Eigenschaftszuschreibung Wissensrepräsentation, Konzepte, Konzeptualisierung Defaults und ihre Problematik Ansatz der konzeptuellen Primitive KL-ONE, definierbare Konzepte und Rollen; Classifier 3. Vorlesung Methoden der Künstlichen Intelligenz 24
Konzeptualisierung. WissensreprŠsentation: Aufgaben. 2 Modellierung und Programmierung. Methoden der KŸnstlichen Intelligenz
ReprŠsentationssprachen 2 Modeierung und Programmierung 4. Voresung: Repräsentationssprachen Methoden der KŸnstichen Inteigenz Ipke Wachsmuth ÊWS 2000/2001 u Bisang: Prädikatenogik und aternative Notationen
Kapitel 8: Semantische Netze
Kapitel 8: Semantische Netze Teil 1 (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01) Wozu brauchen wir Begriffe? Mit dieser Frage beginnt J. Hoffmann
ISA-Hierarchie und Vererbung. Alternative Notationen. 1 KI und symbolische Repräsentation. Methoden der KŸnstlichen Intelligenz
ReprŠsentation einer Szene 1 KI und symboische Repräsentation 3. Voresung: Aternative Notationen: Semantische Netze; Frames Methoden der KŸnstichen Inteigenz Ipke Wachsmuth ÊWS 2000/2001 bock-2 bock-1
Beschreibungslogiken. Daniel Schradick 1schradi@informatik.uni-hamburg.de
Beschreibungslogiken Daniel Schradick 1schradi@informatik.uni-hamburg.de Was sind Beschreibungslogiken? Definition: Formalisms that represent knowledge of some problem domain (the world ) by first defining
Einleitung. Analyse und Synthese gesprochener Sprache Rechtschreibkorrektur
5 Semantik Semantik Einleitung Aufgaben der semantischen Verarbeitung Semantische Netze Prädikatenlogik 1.Stufe als Semantikformalismus Semantikformalismus von MONTAGUE Typenlogik Diskursrepräsentationstheorie
Prädikatenlogik in der Praxis. Richard Cubek (Teil der Master Thesis, 2011)
Richard Cubek (Teil der Master Thesis, 2011 Übersicht Symbolische Repräsentationen in der KI Planning Domain Definition Language (PDDL Anwendungsbeispiel aus der Servicerobotik Symbolische Repräsentationen
Einführung Grundbegriffe
Einführung Grundbegriffe 1.1 Der Modellbegriff Broy: Informatik 1, Springer 1998 (2) Die Modellbildung der Informatik zielt auf die Darstellung der unter dem Gesichtspunkt einer gegebenen Aufgabenstellung
Sudoku. Warum 6? Warum 6?
. / Sudoku Füllen Sie die leeren Felder so aus, dass in jeder Zeile, in jeder Spalte und in jedem x Kästchen alle Zahlen von bis stehen.. / Warum?. / Warum?. / Geschichte der Logik Syllogismen (I) Beginn
Blöcke Strukturelemente. Dr. Beatrice Amrhein
Blöcke Strukturelemente Block Definitionsdiagramm Dr. Beatrice Amrhein Definition Ein Block Definitionsdiagramm (oder Blockdiagramm) o zeigt die statische Struktur des Systems, o beschreibt, welche Systembausteine
Ontologien. Ontologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Ontologien: Konstrukte. Konzepte/Klassen
Ontologien Ontologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Norbert Fuhr Ursprung: semantische Netze aus der künstlichen Intelligenz (1970er) weiterentwickelt als terminologische Logiken, Beschreibungslogiken
Ontologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Norbert Fuhr
Ontologien (aus ISM Kap. 3. Wissensrepräsentation für Texte) Norbert Fuhr 1 / 23 Ontologien Ursprung: semantische Netze aus der künstlichen Intelligenz (1970er) weiterentwickelt als terminologische Logiken,
Vorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
Intelligente Agenten
KI Wintersemester 2013/2014 Intelligente Agenten Grundlagen der Künstlichen Intelligenz Wintersemester 2014/2015 Marc Toussaint 2006-2014 Heidemann, Bruhn, Toussaint Überblick Überblick Agentenbegriff,
Kapitel 1.0. Aussagenlogik: Einführung. Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1
Kapitel 1.0 Aussagenlogik: Einführung Mathematische Logik (WS 2011/12) Kapitel 1.0: Aussagenlogik: Einführung 1/ 1 Ziele der Aussagenlogik In der Aussagenlogik analysiert man die Wahrheitswerte zusammengesetzter
VU Objektorientierte Modellierung Übung 1
VU Objektorientierte Modellierung Übung Übungsgruppen: 3..2008-7..2008 Aufgabe : Strukturmodellierung mittels Klassendiagramm Theoriefragen Wiederholen Sie das Kapitel aus der Vorlesung, das sich mit dem
3. Das Reinforcement Lernproblem
3. Das Reinforcement Lernproblem 1. Agierender Agent in der Umgebung 2. Discounted Rewards 3. Markov Eigenschaft des Zustandssignals 4. Markov sche Entscheidung 5. Werte-Funktionen und Bellman sche Optimalität
Strukturierung. Einführung in die KI. 3.2 Terminologische Repräsentation. Terminologische Repräsentation. Terminologische Repräsentation
Einführung in die KI Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Wissensrepräsentation 2 (Fortsetzung): Strukturierung Regelsysteme Frames, Skripts Beschreibungssysteme Strukturierung Begriffshierarchien,
Künstliche Intelligenz Unsicherheit. Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Künstliche Intelligenz Unsicherheit Stephan Schwiebert WS 2009/2010 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Rückblick Agent in der Wumpuswelt konnte Entscheidungen
Workshop WissKI für Uni Sammlungen. Martin Scholz , basierend auf
Workshop WissKI für Uni Sammlungen Martin Scholz 18.04.2016, basierend auf 26.11.2013 Ontologische Modellierung Was ist eine Ontologie? Terminologie Vokabular, um über Gegenstände eines Fachbereichs zu
Logic 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
Jeweils am Montag um 18:30 treffen sich Studenten in Seminarraum 3 zum gemeinsamen Lernen.
Jeweils am Montag um 18:30 treffen sich Studenten in Seminarraum 3 zum gemeinsamen Lernen. Betrachtungen zu Sprache, Logik und Beweisen Sprache Wir gehen von unserem Alphabet einigen Zusatzsymbolen aus.
Inhaltsverzeichnis. Einführende Bemerkungen 11. Das Fach Informatik 11 Zielsetzung der Vorlesung Grundbegriffe
Inhaltsverzeichnis Einführende Bemerkungen 11 Das Fach Informatik 11 Zielsetzung der Vorlesung 12 1. Grundbegriffe 1 3 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Information und Nachricht 1.1.1 Information 1.1.2 Nachricht
Vorlesung. Einführung in die mathematische Sprache und naive Mengenlehre
Vorlesung Einführung in die mathematische Sprache und naive Mengenlehre Allgemeines RUD26 Erwin-Schrödinger-Zentrum (ESZ) RUD25 Johann-von-Neumann-Haus Fachschaft Menge aller Studenten eines Institutes
Kapitel 7: Referentielle Integrität
Kapitel 7: Referentielle Integrität Im Allgemeinen sind nur solche Instanzen einer Datenbank erlaubt, deren Relationen die der Datenbank bekannten Integritätsbedingungen (IB) erfüllen. Integritätsbedingungen
3 Vom Zählen zur Induktion
7 3 Vom Zählen zur Induktion 3.1 Natürliche Zahlen und Induktions-Prinzip Seit unserer Kindheit kennen wir die Zahlen 1,, 3, 4, usw. Diese Zahlen gebrauchen wir zum Zählen, und sie sind uns so vertraut,
23.1 Constraint-Netze
Grundlagen der Künstlichen Intelligenz 1. April 2015 2. Constraint-Satisfaction-Probleme: Constraint-Netze Grundlagen der Künstlichen Intelligenz 2. Constraint-Satisfaction-Probleme: Constraint-Netze Malte
1.3 Charakteristische Eigenschaften von objektorientierten Systemen
1.3 Charakteristische Eigenschaften von objektorientierten Systemen Einkapselung (Encapsulation) Geheimhaltungsprinzip (Information / Implementation hiding) Persistenz (State retention) Objektidentität
7. Schnittstellen Grundlagen zu Schnittstellen. 7. Schnittstellen
7. Schnittstellen Grundlagen zu Schnittstellen 7. Schnittstellen Eine Schnittstelle (Interface) ist eine Spezifikation eines Typs in Form eines Typnamens und einer Menge von Methoden, die keine Implementierungen
Einstieg in die Informatik mit Java
1 / 41 Einstieg in die Informatik mit Java Vererbung Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 41 1 Überblick: Vererbung 2 Grundidee Vererbung 3 Verdeckte Variablen
Einführung in die Künstliche Intelligenz
Einführung in die Künstliche Intelligenz Vorlesung mit Übung WS 2002/2003 Prof. F. v. Henke Organisatorisches Vorlesung: Mo 12 14 Mi 14 16 Sprechstunde: nach der Vorlesung, oder nach Vereinbarung vhenke@ki.informatik.uni-ulm.de
Visualisierung. Rückblick. Scientific Visualization vs. Informationsvisualisierung. Allgemeine Ziele und Anforderungen Prof. Dr.-Ing.
Allgemeine Ziele und Prof. Dr.-Ing. Detlef Krömker Goethe-Universität, Frankfurt Graphische Datenverarbeitung Rückblick K als Anwendung der CG K Meilensteine der Entwicklung K Terminologie Scientific Visualization
Philosophische Semantik. SS 2009 Manuel Bremer. Vorlesung 1. Einleitung und Überblick
Philosophische Semantik SS 2009 Manuel Bremer Vorlesung 1 Einleitung und Überblick Was alles ist philosophische Semantik? 1. Verständnismöglichkeiten von philosophische Semantik 2. Die Frage nach der Bedeutung
COPE COuPled Evolution of metamodels and models
COPE COuPled Evolution of metamodels and models Diplomarbeit in Zusammenarbeit mit der BMW Car IT (Betreuer: Elmar Jürgens, Sebastian Benz) Markus Herrmannsdörfer 7. November 2007 Perlen der Informatik
Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Expertensysteme (Aufgaben, Aufbau, Komponenten) Diagnoseziel Klassifikation sicher heuristisch überdeckend Entscheidungstabellen
Übungen zu Logik und Künstliche Intelligenz Blatt 8
Heilbronn, den 14.5.2010 Prof. Dr. V. Stahl WS 10/11 Übungen zu Logik und Künstliche Intelligenz Blatt 8 Aufgabe 1. Überlegen Sie, wie man folgende Relationen R grafisch darstellen könnte und entscheiden
Übungsaufgaben UML Zertifizierung Fundamental-Level
Übungsaufgaben UML Zertifizierung Fundamental-Level Kapitel 15: Sequenzdiagramm Die folgenden Aufgaben behandeln die Inhalte aus Kapitel 15 von UML 2 glasklar (4. Auflage), die die OMG für die Zertifizierung
Terminologische Logik
Terminologische Logik auch: Beschreibungslogik oder Begriffslogik (engl. description logic, terminological logic) Terminologische Logiken sind Teilsprachen der Prädikatenlogik, die speziell auf die Beschreibung
Modellprüfung von UML-Zustandsmaschinen und UML-Kollaborationen in SAL
Institut für Informatik, Lehr- und Forschungseinheit für Programmierung und Softwaretechnik der Ludwig-Maximilians-Universität München Diplomarbeit Modellprüfung von UML-Zustandsmaschinen und UML-Kollaborationen
Logische und funktionale Programmierung
Logische und funktionale Programmierung Vorlesung 2: Prädikatenkalkül erster Stufe Babeş-Bolyai Universität, Department für Informatik, Cluj-Napoca csacarea@cs.ubbcluj.ro 14. Oktober 2016 1/38 DIE INTERPRETATION
Unabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
Überschreiben von Methoden
Vergleich der DoME Realisierungen: Methode ausgeben Version 1 (ohne Vererbung): Anzeigen aller Informationen CD: A Swingin Affair (64 Min)* Frank Sinatra Titelanzahl: 16 Mein Lieblingsalbum von Sinatra
Kapitel DB:IV (Fortsetzung)
Kapitel DB:IV (Fortsetzung) IV. Logischer Datenbankentwurf mit dem relationalen Modell Das relationale Modell Integritätsbedingungen Umsetzung ER-Schema in relationales Schema DB:IV-45 Relational Design
Universität Stuttgart Institut für Automatisierungstechnik und Softwaresysteme Prof. Dr.-Ing. M. Weyrich
Universität Stuttgart Institut für Automatisierungstechnik und Softwaresysteme Prof. Dr.-Ing. M. Weyrich WS 02/03 Warum muss ein Objekt wissen, zu welcher Klasse es gehört? Damit die Klassenzugehörigkeit
Gedächtnis. Extern gewonnene Informationen werden in drei Stufen verarbeitet:
Gedächtnis Gedächtnis Extern gewonnene Informationen werden in drei Stufen verarbeitet: Aufnahme in das Arbeitsgedächtnis ( Kurzzeitgedächtnis ) Abgleich mit langfristig gespeicherten Strukturen Integration
4 Spezielle Schlußverfahren
Universität Bielefeld Unsicherheit, Unvollständigkeit 4. Wie lassen sich auch bei unsicherem unvollständigem Wissen Schlüsse ziehen? 4 Spezielle Schlußverfahren 11. Vorlesung: Probabilistisches Schließen;
Erweiterte Entity-Relationship- und UML-Modellierung. Copyright 2004 Shamkant Ramez Elmasri B. Navathe and Shamkant Navathe.
Erweiterte Entity-Relationship- und UML-Modellierung Copyright 2004 Shamkant Ramez Elmasri B. Navathe and Shamkant Navathe. CC 1 Erweitertes-ER (EER) Modellkonzept Beinhaltet alle Aspekte des Basis-ER-Modellkonzeptes
Baader Nutt 1: Basic Description Logics
Baader Nutt 1: Basic Description Logics Ludwig Maximilians Universität München Sommersemester 2009 Institut: CIS Hauptseminar: Beschreibungslogik Seminarleiter: Hans Leiß, Martin Hofmann Referentin: Natalia
Introduction to Symbolic Artificial Intelligence
Introduction to Symbolic Artificial Intelligence Prof. Dr. Andreas Dengel Lecture WS 2015/16 WM/04.02 S. 137 andreas.dengel@dfki.de - AG Wissensbasierte Systeme - Skript Einführung in die Symbolische KI,
Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen. notwendig: Existenz- und Allaussagen
Prädikatenlogik 1. Stufe (kurz: PL1) Aussagenlogik zu wenig ausdrucksstark für die meisten Anwendungen notwendig: Existenz- und Allaussagen Beispiel: 54 Syntax der Prädikatenlogik erster Stufe (in der
Kognition, Sprache und Gedächtnis. Katharina Fischer und Anja Thonemann
Kognition, Sprache und Gedächtnis Katharina Fischer und Anja Thonemann 1 Gedächtnisfunktionen und mentales Lexikon 2 Kognitive Einheiten und Strukturen im LZG 2.1 Konzepte und Wortbedeutungen 2.2 Komplexe
Rollen in GFO und HL7-RIM
n in GFO und HL7-RIM Frank Loebe Forschungsgruppe Ontologien in der Medizin (Onto-Med) Institut für Medizinische Informatik, Statistik und Epidemiologie (IMISE), Universität Leipzig frank.loebe@imise.uni-leipzig.de
Einleitung. Komplexe Anfragen. Suche ist teuer. VA-File Verfeinerungen. A0-Algo. GeVAS. Schluß. Folie 2. Einleitung. Suche ist teuer.
Anwendung Input: Query-Bild, Ergebnis: Menge ähnlicher Bilder. Kapitel 8: Ähnlichkeitsanfragen und ihre effiziente Evaluierung Wie zu finden? Corbis, NASA: EOS Bilddatenbank Folie Folie 2 Ähnlichkeitssuche
Objektorientierte Modellierung (1)
Objektorientierte Modellierung (1) Die objektorientierte Modellierung verwendet: Klassen und deren Objekte Beziehungen zwischen Objekten bzw. Klassen Klassen und Objekte Definition Klasse Eine Klasse ist
KI: Wie testet man ein Hirn?
KI: Wie testet man ein Hirn? (Und warum?) Richard Jelinek PetaMem GmbH Nürnberg Richard Jelinek Künstliche Intelligenz 11. März 2016 1 / 15 Weltwissen & Repräsentation Weltwissen beschreibt das verfügbare
möglicher Einsatz Neuer Medien Quadratische Funktionen und quadratische Gleichungen
Quadratische und quadratische Gleichungen Arithmetik / Algebra Lösen einfacher und allgemeiner quadratischer Gleichungen (z.b. durch Faktorisieren oder pq-formel) Darstellung quadratischer mit eigenen
Semantische Bewertung und personalisierte Erzeugung von Übungsaufgaben zu Mathematik, Logik, Informatik
Semantische Bewertung und personalisierte Erzeugung von Übungsaufgaben zu Mathematik, Logik, Informatik Johannes Waldmann (HTWK Leipzig) September 2, 2014 Beispiel (Sicht des Studenten) Gesucht ist ein
Grundlagen der Kognitiven Informatik
Grundlagen der Kognitiven Informatik Wissensrepräsentation und Logik Ute Schmid Kognitive Systeme, Angewandte Informatik, Universität Bamberg letzte Änderung: 14. Dezember 2010 U. Schmid (CogSys) KogInf-Logik
Boolesche Algebra. Hans Joachim Oberle. Vorlesung an der TUHH im Wintersemester 2006/07 Montags, 9:45-11:15 Uhr, 14täglich TUHH, DE 22, Audimax 2
Universität Hamburg Department Mathematik Boolesche Algebra Hans Joachim Oberle Vorlesung an der TUHH im Wintersemester 2006/07 Montags, 9:45-11:15 Uhr, 14täglich TUHH, DE 22, Audimax 2 http://www.math.uni-hamburg.de/home/oberle/vorlesungen.html
Grundlagen der Theoretischen Informatik
FH Wedel Prof. Dr. Sebastian Iwanowski GTI22 Folie 1 Grundlagen der Theoretischen Informatik Sebastian Iwanowski FH Wedel Kap. 2: Logik, Teil 2.2: Prädikatenlogik FH Wedel Prof. Dr. Sebastian Iwanowski
Vorlesung 1: Einleitung
Vorlesung 1: Einleitung Georg Nöldeke Wirtschaftswissenschaftliche Fakultät, Universität Basel Entscheidung VL 1, FS 12 Einleitung 1/17 1.1 Motivation In der Vorlesung Intermediate Microecoomics haben
Computational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20
Gliederung / Künstliche Neuronale Netze Perzeptron Einschränkungen Netze von Perzeptonen Perzeptron-Lernen Perzeptron Künstliche Neuronale Netze Perzeptron 3 / Der Psychologe und Informatiker Frank Rosenblatt
3 Objektorientierte Konzepte in Java
3 Objektorientierte Konzepte in Java 3.1 Klassendeklarationen Fragen an die Klassendeklaration: Wie heißt die Klasse? Wer darf auf die Klasse und ihre Attribute/Methoden zugreifen? Ist die Klasse eine
Mengen und Abbildungen
1 Mengen und bbildungen sind Hilfsmittel ( Sprache ) zur Formulierung von Sachverhalten; naive Vorstellung gemäß Georg Cantor (1845-1918) (Begründer der Mengenlehre). Definition 1.1 Eine Menge M ist eine
Mai 2006. Hauptseminar: Nichtrelationale Datenbanken Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln
Hauptseminar: Nichtrelationale Historisch-Kulturwissenschaftliche Informationsverarbeitung Universität zu Köln Mai 2006 Was ist eine Datenbank? Erweiterung relationaler um eine Deduktionskomponente Diese
Kapitel DB:III. III. Konzeptueller Datenbankentwurf
Kapitel DB:III III. Konzeptueller Datenbankentwurf Einführung in das Entity-Relationship-Modell ER-Konzepte und ihre Semantik Charakterisierung von Beziehungstypen Existenzabhängige Entity-Typen Abstraktionskonzepte
Induktive Beweise und rekursive Definitionen
Induktive Beweise und rekursive Definitionen Vorlesung Logik in der Informatik, HU Berlin 1. Übungsstunde Beweis durch vollständige Induktion über N Aufgabe 1 Zeige, dass für alle n N gilt: n 2 i = 2 n+1
Semantic-Web-Sprachen XML, RDF (und RDFS), OWL
Semantic-Web-Sprachen XML, RDF (und RDFS), OWL PTI 991 Wissensmanagementsystemen Dozent: Prof. Sybilla Schwarz 1 Agenda Problem Semantisches Web Semantische Sprache XML RDF RDFS OWL Zusammenfassung 2 Problem
Folgen und Reihen. Wirtschaftswissenschaftliches Zentrum Universität Basel. Mathematik für Ökonomen 1 Dr. Thomas Zehrt
Wirtschaftswissenschaftliches Zentrum Universität Basel Mathematik für Ökonomen Dr. Thomas Zehrt Folgen und Reihen Literatur Referenz: Gauglhofer, M. und Müller, H.: Mathematik für Ökonomen, Band, 7. Auflage,
Mathem.Grundlagen der Computerlinguistik I, WS 2004/05, H. Leiß 1
Mathem.Grundlagen der Computerlinguistik I, WS 2004/05, H. Leiß 1 1 Vorbemerkungen Mathematische Begriffe und Argumentationsweisen sind in vielen Fällen nötig, wo man über abstrakte Objekte sprechen und
1 Prädikatenlogik: Korrektheit, Vollständigkeit, Entscheidbarkeit
1 Prädikatenlogik: Korrektheit, Vollständigkeit, Entscheidbarkeit 1.1 Korrektheit Mit dem Kalkül der Prädikatenlogik, z.b. dem Resolutionskalkül, können wir allgemeingültige Sätze beweisen. Diese Sätze
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen
Zufallsprozesse, Ereignisse und Wahrscheinlichkeiten die Grundlagen Wichtige Tatsachen und Formeln zur Vorlesung Mathematische Grundlagen für das Physikstudium 3 Franz Embacher http://homepage.univie.ac.at/franz.embacher/
Kapitel WT:VIII (Fortsetzung)
Kapitel WT:VIII (Fortsetzung) VIII. Semantic Web WWW heute Semantic Web Vision RDF: Einführung RDF: Konzepte RDF: XML-Serialisierung RDF: Anwendungen RDFS: Einführung RDFS: Konzepte Semantik im Web Semantik
Aufgabe 1: Strukturmodellierung mittels Klassendiagramm Wiederholen Sie das Kapitel aus der Vorlesung, das sich mit dem Klassendiagramm beschäftigt.
Aufgabe 1: Strukturmodellierung mittels Klassendiagramm Wiederholen Sie das Kapitel aus der Vorlesung, das sich mit dem Klassendiagramm beschäftigt. Was ist eine Klasse? Was ist ein Objekt? Geben Sie ein
Systemtheorie 1. Einführung Systemtheorie 1 Formale Systeme 1 # WS 2006/2007 Armin Biere JKU Linz Revision: 1.4
Einführung intro 1 Grobklassifizierung r Methoden in der Informatik intro 2 Systemtheorie 1 Systeme 1 #342234 http://fmv.jku.at/fs1 WS 2006/2007 Johannes Kepler Universität Linz, Österreich Univ. Prof.
Dieses Quiz soll Ihnen helfen, Kapitel besser zu verstehen.
Dieses Quiz soll Ihnen helfen, Kapitel 2.5-2. besser zu verstehen. Frage Wir betrachten ein Würfelspiel. Man wirft einen fairen, sechsseitigen Würfel. Wenn eine oder eine 2 oben liegt, muss man 2 SFr zahlen.
Methoden der Werkstoffprüfung Kapitel I Grundlagen. WS 2009/2010 Kapitel 1.0
Methoden der Werkstoffprüfung Kapitel I Grundlagen WS 2009/2010 Kapitel 1.0 Grundlagen Probenmittelwerte ohne MU Akzeptanzbereich Probe 1 und 2 liegen im Akzeptanzbereich Sie sind damit akzeptiert! Probe
Blitzlicht: MES Produktionsplanung und Unternehmensmodelle IEC 62264 Integration von Unternehmensführungs und Leitsystemen
Blitzlicht: MES Produktionsplanung und Unternehmensmodelle IEC 62264 Integration von Unternehmensführungs und Leitsystemen Tagung: Normen für Industrie 4.0 BMWi, Berlin 19.02.2015 Max Weinmann, Emerson
7 Memory Organization und Deduktion
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
3. Ontologien und Wissensbasen
Ontologien Ontologien stellen mittlerweile die Basis für viele innovative wissensbasierte Systeme dar: 3. Ontologien und Wissensbasen ecommerce/elearning Knowledge Management Informationsextraktion/Data-mining
Interpreter - Gliederung
Institut für Informatik Ludwig-Maximilian Universität Interpreter - Gliederung Programmiersprache Syntax Konkrete Syntax Abstrakter Syntax Baum (Abstrakte Syntax) Parser Syntaktische Struktur einer Sprache
Künstliche 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
Zusammenhänge präzisieren im Modell
Zusammenhänge präzisieren im Modell Dr. Roland Poellinger Munich Center for Mathematical Philosophy Begriffsfeld Logik 1 Mathematik und Logik Die Mathematik basiert auf logisch gültigen Folgerungsschritten
Grundkurs Semantik. Sitzung 3: Mengenlehre. Andrew Murphy
Grundkurs Semantik Sitzung 3: Mengenlehre Andrew Murphy andrew.murphy@uni-leizpig.de Grundkurs Semantik HU Berlin, Sommersemester 2015 http://www.uni-leipzig.de/ murphy/semantik15 15. Mai 2015 Basiert
Formeln. Signatur. aussagenlogische Formeln: Aussagenlogische Signatur
Signatur Formeln Am Beispiel der Aussagenlogik erklären wir schrittweise wichtige Elemente eines logischen Systems. Zunächst benötigt ein logisches System ein Vokabular, d.h. eine Menge von Namen, die
DGm 04 Semantik Universität Athen, SoSe 2010
DGm 04 Semantik Universität Athen, SoSe 2010 Winfried Lechner wlechner@gs.uoa.gr Handout #1 WAS IST SEMANTIK? 1. BEDEUTUNG Die natürlichsprachliche Semantik untersucht A. die Bedeutung von sprachlichen
Informationsrepräsentation und Multimediales Lernen
Informationsrepräsentation und Multimediales Lernen Multimedia Der Begriff "Multimedia" wird häufig verwendet, ist jedoch nur ungenau definiert. Allgemein versteht man darunter die Integration von Text,
Vorlesung Datenstrukturen
Vorlesung Datenstrukturen Objektorientierung in C++ (2) Beziehungen zwischen Klassen Dr. Frank Seifert Vorlesung Datenstrukturen - Sommersemester 2016 Folie 530 Beziehungen zwischen Klassen Assoziation
GI-Technologien zur Umsetzung der EU-Wasserrahmenrichtlinie (WRRL): Wissensbasen. Teil 1: Einführung: Wissensbasis und Ontologie.
GI-Technologien zur Umsetzung der EU-Wasserrahmenrichtlinie (WRRL): Wissensbasen Teil 1: Einführung: Wissensbasis und Ontologie Was ist eine Wissensbasis? Unterschied zur Datenbank: Datenbank: strukturiert
JukeBox / VividBios Design-Anleitung
Entwerfen Sie Ihre persönliche JukeBox Player-Skin JukeBox / VividBios Design-Anleitung Haben Sie jemals davon geträumt, Menschen auf der ganzen Welt an Ihren Innovationen teilhaben zu lassen? AOpen bietet
WS 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
Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion
Vorkurs Mathematik und Informatik Mengen, natürliche Zahlen, Induktion Saskia Klaus 07.10.016 1 Motivation In den ersten beiden Vorträgen des Vorkurses haben wir gesehen, wie man aus schon bekannten Wahrheiten
Die Folgerungsbeziehung
Kapitel 2: Aussagenlogik Abschnitt 2.1: Syntax und Semantik Die Folgerungsbeziehung Definition 2.15 Eine Formel ψ AL folgt aus einer Formelmenge Φ AL (wir schreiben: Φ = ψ), wenn für jede Interpretation
Theoretische Grundlagen des Software Engineering
Theoretische Grundlagen des Software Engineering 7: Einführung Aussagenlogik schulz@eprover.org Logisches Schließen 2 gold +1000, 1 per step, Beispiel: Jage den Wumpus Performance measure death 1000 10
3 Objektorientierte Konzepte in Java
3 Objektorientierte Konzepte in Java Bisherige Beobachtungen zu Objekten: werden in Klassen zusammengefasst besitzen Eigenschaften und Verhalten verbergen private Informationen werden geboren, leben und
Wissensrepräsentation 2
Wissensrepräsentation Jürgen Dorn Inhalt Wissen und Intelligenz deklarative versus prozedurale Wissensrepräsentation Wissensbasierte Systeme Wissensrepräsentationsformalismen Das Auto springt nicht an!
3. Grundlegende Begriffe von Logiken - Aussagenlogik
3. Grundlegende Begriffe von Logiken - Aussagenlogik Wichtige Konzepte und Begriffe in Logiken: Syntax (Signatur, Term, Formel,... ): Festlegung, welche syntaktischen Gebilde als Formeln (Aussagen, Sätze,
C++ Templates - eine kleine Einführung. Allgemein. Funktionstemplates. Allgemein. Funktionstemplates. Klassentemplates
Überblick C++ Templates - eine kleine Einführung Fabian Scheler, Peter Ulbrich, Niko Böhm Friedrich-Alexander-Universität Erlangen-Nürnberg Lehrstuhl Informatik 4 (Verteilte Systeme und Betriebssysteme)
Übungen Softwaretechnik I
Universität Stuttgart Institut für Automatisierungstechnik und Softwaresysteme Prof. Dr.-Ing. M. Weyrich Übungen Softwaretechnik I Übung 5: Objektorientierte Analyse Einführung Objektorientierung in der