Darstellung, Verarbeitung und Erwerb von Wissen
|
|
- Max Fürst
- vor 6 Jahren
- Abrufe
Transkript
1 FK Informatik LS I Information Engineering Prof. Dr. G. Kern-Isberner Übungen zur Vorlesung Darstellung, Verarbeitung und Erwerb von Wissen Wintersemester 2015/2016 Übungsblatt Nr. 11 Abgabetermin: , 14:00 Uhr Gemeinsame Abgaben von Gruppen bis zu vier Personen sind möglich Präsenzaufgabe (Quizfragen) Folgende Fragen und Aufgaben dienen der Wiederholung der bisherigen Themen. Es besteht keine Garantie auf Vollständigkeit. Sofern nicht nach einer Definition gefragt wird, ist eine kurze Begründung erforderlich. 1. Ist ein Reiterscher Prozess mit der In-Menge Cn({a, b c}) und der Out-Menge {a c} ein Fehlschlag? 2. Was bedeutet Kumulativität? 3. Ist ([ALL :R K]) ein Satz der Beschreibungslogik, wenn :R eine Rolle und K ein Konzept ist? 4. Gilt a Cn(a b, c, b c)? 5. Worin unterscheiden sich die Antwortmengensemantik und die stabile Semantik? 6. Entscheiden Sie für die beiden folgenden Vererbungsnetze jeweils, ob diese a-zusammenhängend sind. Geben Sie weiterhin jeweils alle Knoten an, in denen das Netz bezüglich a zweideutig ist. Begründen Sie Ihre Entscheidungen. v 4 v 5 a v 1 v 2 a) v 2 v 3 b) a v 1 v 3 v 4 v 5 v 6 7. Welche Formeln enthält Cn( )? 8. Seien A, B aussagenlogische Formeln und P eine Wahrscheinlichkeitsverteilung. Entscheiden Sie, welche der folgenden Formeln allgemein zutreffen. (a) P (A) P (A B)? (b) P (A) > P (A B)? (c) P (A) P (A B)? (d) P (A) P (AB)? 9. Angenommen das Approximationsverfahren für Antwortmengen ermittelt folgende Mengen im Schritt i: U i = {f}, O i = {a, b, d, f}, Cl (P U i ) = {b, c, d, f} und Cl (P O i ) = {b, d}. Wie sehen die Mengen U i1 und O i1 aus? Wird der Algorithmus eine weitere Iteration durchlaufen? Seite 1 von 6
2 10. Vervollständigen Sie die Schritte, die notwendig sind, um aus einem Bayes-Netz einen permanenten Cliquenbaum mit Potentialdarstellung zu generieren: (a) Moralisierung (b) (c) (d) (e) (f) (g) (h) (i) Potentialdarstellung 11. Kann es in einem Vererbungsnetz zulässige Kanten geben, die redundant sind? 12. Betrachten Sie die folgende Reiter sche Default-Theorie T = (W, ) mit W = {H(h), X (H(X) F (X))}, = {δ 1, δ 2, δ 3 } mit δ 1 = δ 2 = δ 3 = F (X) : H(X), H(X) F (X) H(X) : E(X), E(X) H(X) : E(X). K(X) Entscheiden Sie, ob es sich bei den folgenden Formelmengen um Extensionen für T handelt. E 1 = {H(h), F (h)} E 2 = Cn({H(h), K(h)}) E 3 = Cn({H(h), X (H(X) F (X)), K(h), E(h)}) 13. Welche Formeln enthält Cn({A A})? 14. Was gibt die Entropie einer Wahrscheinlichkeitsverteilung P an und wann ist diese am größten? 15. Gegeben sind die folgenden erweiterten logischen Programmen P 1 : P (d) not S(d). P 3 : P (d) not P (d). P (x) S(d). P 2 : P (d) not S(d). P 4 : P (d) not P (d). S(d). P (d) S(d). S(d). sowie die Mengen S 1 = { }, S 2 = {P (d)}, S 3 = {S(d)}, S 4 = { P (d)}, S 5 = {P (d), S(d)} und S 6 = { P (d), S(d)}. Geben Sie zu jedem Programm P i diejenigen Mengen aus S 1... S 6 an, die Antwortmengen von P i sind. 16. Vervollständigen Sie folgenden Satz: Markov-Graphen sind Unabhängigkeitsgraphen. Seite 2 von 6
3 17. Gegeben ist eine Interpretation I mit Domain D = {a, b, c, d}, die die Konstante c, die Rolle :R und das Konzept K in der Beschreibungslogik folgendermaßen abbildet: I(c) = c I(:R) = {(a, b), (a, c), (d, c), (a, a), (c, a), (b, c), (c, b)} I(K) = {b, c} Geben Sie ein Konzept L an, welches durch I(L) = {a, d, b} beschrieben wird. 18. Welcher Zusammenhang besteht zwischen der Informativität und der Wahrscheinlichkeit einer Nachricht? 19. Geben Sie für jedes der folgenden Vererbungsnetze jeweils einen zulässigen Pfad von a nach b an, sofern einer existiert. Begründen Sie andernfalls, warum es keinen zulässigen Pfad gibt. v 2 v 4 a) a v 1 v 6 b b) a v 1 v 2 b v 3 v 5 c) a v 2 v 3 d) a v 1 v 2 v 3 b v 1 b 20. Gegeben ist ein normales logisches Programm P = {A B, C., B A, not C.} und eine Niveau-Abbildung mit A = 2, B = 1 und C = 0. Ist die Niveau-Abbildung geeignet, um zu zeigen, dass das Programm stratifiziert ist? 21. Gegeben sind die beiden Graphen mit den bedingten Unabhängigkeiten A Y. = G C X und B = G D A A a) D B b) D B C C Für welche Mengen X {B, D} und Y {A, C} sind die Aussagen über die Unabhängigkeiten in den jeweiligen Graphen auf jeden Fall korrekt? Hinweis: Nutzen Sie aus, dass die bedingte Unabhängigkeit symmetrisch in den ersten beiden Komponenten ist. (a) X =? Y =? (b) X =? Y =? 22. Ist der Default δ = a b : d c d e auf die Menge Cn ({c, a b, d, c b}) anwendbar? Seite 3 von 6
4 23. Lassen sich in der Beschreibungslogik Erfüllungsanfragen auf Subsumptionsanfragen oder Subsumptionsanfragen auf Erfüllungsanfragen zurückführen? Welche zusätzlichen Schritte sind dazu nötig? 24. Gegeben sind die Extended Dependency Graphs G(P 1 ) und G(P 2 ). Versuchen Sie die folgenden Fragen zu beantworten, ohne die Graphen in logische Programme zu übersetzen. (a) G(P 1 ): c 0 a 1 b 2 a 3 i. Geben Sie ein stabiles Modell des logischen Programms P 1 zu G(P 1 ) an. ii. Welches stabile Modell ergibt sich, wenn der Knoten a 3 mit der zugehörigen Kante (a 3, b 2, ) nicht im Graphen ist? (b) G(P 2 ): c 0 a 1 b 2 a 3 i. Geben Sie ein stabiles Modell des logischen Programms P 2 zu G(P 2 ) an. ii. Welches stabile Modell ergibt sich, wenn der Knoten a 3 mit der zugehörigen Kante (a 3, b 2, ) nicht im Graphen ist? Aufgabe 1 (RapidMiner) ( = 35 Punkte) Für diese Aufgabe benötigen Sie die Open-Source Software RapidMiner. Bitte laden Sie sich die Studio- Version 6.5 über die Homepage ( herunter. Untersucht werden soll der bekannte Iris-Datensatz 1 mit dem k-means-verfahren. Die Daten sind durch die Attribute sepal length (a1), sepal width (a2), petal length (a3) und petal width (a4) beschrieben. Der Datensatz enthält 150 Instanzen, die zusätzlich zu den Attributen jeweils noch durch ein spezielles Attribute label klassifiziert sind. Es gibt drei verschiedene Klassen (label-belegungen) Iris Setosa, Iris Versicolour und Iris Virginica. (a) Untersuchen Sie den Iris-Datensatz mit dem k-means-verfahren (siehe Vorgehensweise). (b) Erläutern Sie explizit für k {2, 3} Ihre Beobachtungen! Was fällt Ihnen beim Vergleich zwischen cluster und label im Plot auf? (c) Welches der vier Attribute a1, a2, a3 und a4 ist am besten zur Trennung der Cluster geeignet und warum? Begründen Sie informell. Vorgehensweise: 1. Erstellen Sie einen neuen Prozess. 2. Fügen Sie den Iris Datensatz zu Ihrem Prozess hinzu, indem Sie links unten im Reiter Repositories unter Samples/data den Iris Datensatz auswählen und ihn in das Prozessfenster ziehen. Ein entsprechendes Retrieve Prozesselement erscheint. 1 Zum Hintergrund des Datensatzes siehe: Seite 4 von 6
5 3. Zusätzlich benötigen Sie den Operator KMeans, den Sie links oben unter Operators/Modeling/... finden. 4. Verknüpfen Sie die Elemente Ihres Prozesses (siehe Abbildung 1). Im Operator KMeans können Sie nun mit verschiedenen k-werten experimentieren (nach der Auswahl des entsprechenden Elementes erscheint rechts ein Reiter mit Einstellungen). 5. Zur Visualisierung des Ergebnisses müssen Sie das vom KMeans Operator erstellte Clustered Set als res(ult) des Prozesses ausgeben lassen. (a) Nach Beendigung Ihres Versuches öffnen Sie bitte die Sicht (View) Result Overview. (b) Wählen Sie dort mit einem Rechtsklick auf das erstellte Clustered Set (ExampleSet) Re- Open Result aus. (c) In dem geöffenten Reiter gehen Sie links bei der Auswahl auf Charts und stellen Sie als Plotter Parallel ein. Benutzen Sie als Color Column nacheinander cluster und label. Abbildung 1: Prozess zum Untersuchen des Iris -Datensatz mit dem k-means-verfahren. Aufgabe 2 (Entscheidungsbäume) (35 Punkte) Marco ist begeisterter Sammler der Happy Hippos 2 und möchte herausfinden welche Kombinationen von Eigenschaften einer Figur eindeutig darauf hinweisen, dass es sich nicht um ein Flusspferd handelt, sondern um eine Figur einer anderen Tiergattung. Dazu hat er sich eine Menge an Figuren seiner beachtlichen Sammlung ausgewählt und diese katalogisiert. Seine Ergebnisse sind in der folgenden Tabelle zusammengefasst. # Name der Figur Hände Pose Augen ist ein Flusspferd 1 Rudi Rampenlicht rechts stehend nicht sichtbar ja 2 Sascha Sonnendeck rechts stehend geschlossen ja 3 Träumer Tommi rechts liegend geschlossen ja 4 Service-Sepp rechts stehend geöffnet nein 5 Emil Eintopf links stehend geschlossen ja 6 Schlecker Schorschi links sitzend geschlossen ja 7 Hippi Hippo keine stehend nicht sichtbar ja 8 Diddi Durchblick keine liegend nicht sichtbar ja 9 Moritz Stibitz keine liegend geöffnet nein 10 Babsi Baby keine sitzend geöffnet ja 11 Ronny Rhythmus beide stehend geschlossen nein 12 Louis Luftgitarre beide sitzend geschlossen ja 2 Bitte beachten Sie, dass nicht alle Figuren aus der Happy Hippo-Kollektion Hippos, d.h. Flusspferde, sind. Seite 5 von 6
6 Dabei bezeichnen Hände, Pose und Augen die folgenden Eigenschaften: Hände = Welche Hände der Figur nicht leer sind Pose = Pose der Figur Augen = Zustand der Augen (keine, rechts, links, beide) (sitzend, stehend, liegend) (geschlossen, geöffnet, nicht sichtbar) Helfen Sie Marco dabei, die entsprechenden Eigenschaften zu finden, indem Sie mit Hilfe des in der Vorlesung vorgestelltem TDIDT-Algorithmus einen Entscheidungsbaum aufbauen. Die Attribute Hände, Pose und Augen sollen dabei nach dem Kardinalitätskriterium aus der Vorlesung ausgewählt werden. Sollten zwei Attribute gleichwertig sein, so wählen Sie das Attribut nach lexikographischer Ordnung aus. Seite 6 von 6
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen
Technische Universität Wien Institut für Computergraphik und Algorithmen Arbeitsbereich für Algorithmen und Datenstrukturen 186.172 Algorithmen und Datenstrukturen 1 VL 4.0 Übungsblatt 4 für die Übung
MehrMaschinelles Lernen mit RapidMiner. Fakultät Informatik Lehrstuhl für Künstliche Intelligenz
Maschinelles Lernen mit RapidMiner Fakultät Informatik Inhalt Motivation / Ziel Konzept von RapidMiner Beispiele Details, Implementierung ExampleSet, Attribute Übungen Motivation Abstrakte maschinelle
MehrMinimal spannende Bäume
http://www.uni-magdeburg.de/harbich/ Minimal spannende Fakultät für Informatik Otto-von-Guericke-Universität 2 Inhalt Definition Wege Untergraphen Kantengewichtete Graphen Minimal spannende Algorithmen
MehrÜbungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014
Übungsblatt LV Künstliche Intelligenz, Data Mining (1), 2014 Aufgabe 1. Data Mining a) Mit welchen Aufgabenstellungen befasst sich Data Mining? b) Was versteht man unter Transparenz einer Wissensrepräsentation?
MehrSoftware und Visualisierungen. Erich Schubert, Dr. Arthur Zimek. 2013-0X-XX KDD Übung
Software und Visualisierungen Erich Schubert, Dr. Arthur Zimek Ludwig-Maximilians-Universität München 2013-0X-XX KDD Übung Ein recht einfacher Datensatz, online unter: http://aima.cs.berkeley.edu/data/iris.csv
MehrMafI I: Logik & Diskrete Mathematik (F. Hoffmann)
Lösungen zum 14. und letzten Aufgabenblatt zur Vorlesung MafI I: Logik & Diskrete Mathematik (F. Hoffmann) 1. Ungerichtete Graphen (a) Beschreiben Sie einen Algorithmus, der algorithmisch feststellt, ob
MehrMaschinelles Lernen mit RapidMiner
Inhalt Maschinelles Lernen mit RapidMiner Motivation / Ziel Konzept von RapidMiner Beispiele Details, Implementierung ExampleSet, Attribute Motivation Abstrakte maschinelle Lernaufgaben aus der Vorlesung
MehrBayes sches Lernen: Übersicht
Bayes sches Lernen: Übersicht Bayes sches Theorem MAP, ML Hypothesen MAP Lernen Minimum Description Length Principle Bayes sche Klassifikation Naive Bayes Lernalgorithmus Teil 5: Naive Bayes + IBL (V.
MehrMathematik-Vorkurs für Informatiker Aussagenlogik 1
Christian Eisentraut & Julia Krämer www.vorkurs-mathematik-informatik.de Mathematik-Vorkurs für Informatiker Aussagenlogik 1 Aufgabe 1. (Wiederholung wichtiger Begriffe) Notieren Sie die Definitionen der
Mehr6. Übung zur Linearen Optimierung SS08
6 Übung zur Linearen Optimierung SS08 1 Sei G = (V, E) ein schlichter ungerichteter Graph mit n Ecken und m Kanten Für eine Ecke v V heißt die Zahl der Kanten (u, v) E Grad der Ecke (a) Ist die Anzahl
MehrMathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 7
Prof. Dr. Bernhard Steffen Dipl.Inf. Malte Isberner Dr. Oliver Rüthing Dipl.Inf. Melanie Schmidt Dr. Hubert Wagner Übungen zur Vorlesung Mathematik für Informatiker Wintersemester 203/4 Übungsblatt 7 Die
MehrMinimal spannender Baum
Minimal spannender Baum 16 1 2 21 5 11 19 6 6 3 14 33 10 5 4 18 Die Kreise zeigen die vorgesehenen Standorte neu zu errichtender Filialen einer Bank. Entlang der bestehenden Straßen sollen Telefonleitungen
MehrÜbungen zur Vorlesung. Maschinelles Lernen. Wintersemester 2011/2012
Prof. Dr. Morik Dortmund, 14. Oktober Allgemeines Übungen zur Vorlesung Maschinelles Lernen Wintersemester 2011/2012 Begleitend zur Vorlesung findet eine Übung statt. Die Teilnahme an der Übung, sowie
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
MehrAlgorithmen und Datenstrukturen
Algorithmen und Datenstrukturen Datenstrukturen: Anordnung von Daten, z.b. als Liste (d.h. in bestimmter Reihenfolge) Beispiel: alphabetisch sortiertes Wörterbuch... Ei - Eibe - Eidotter... als Baum (d.h.
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Einheit 11: Graphen Thomas Worsch Karlsruher Institut für Technologie, Fakultät für Informatik Wintersemester 2010/2011 1/59 Graphische Darstellung von Zusammenhängen schon
MehrNumerisches Programmieren, Übungen
Technische Universität München SS 2012 Institut für Informatik Prof. Dr. Thomas Huckle Dipl.-Inf. Christoph Riesinger Dipl.-Math. Alexander Breuer Dipl.-Math. Dipl.-Inf. Jürgen Bräckle Dr.-Ing. Markus
MehrÜbung zur Vorlesung Statistik I WS Übungsblatt 6
Übung zur Vorlesung Statistik I WS 2012-2013 Übungsblatt 6 26. November 2012 Aufgabe 17 (4 Punkte): Sei X B(n, p) eine binomial verteilte Zufallsvariable, die ein Zufallseperiment mit n unabhängigen Wiederholungen
MehrQuantitative Methoden Wissensbasierter Systeme
Quantitative Methoden Wissensbasierter Systeme Probabilistische Netze und ihre Anwendungen Robert Remus Universität Leipzig Fakultät für Mathematik und Informatik Abteilung für Intelligente Systeme 23.
MehrGrundlagen 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
MehrKlausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13)
Berlin, 21. Februar 2013 Name:... Matr.-Nr.:... Klausur Informatik-Propädeutikum (Niedermeier/Hartung/Nichterlein, Wintersemester 2012/13) 1 2 3 4 5 6 7 8 9 Σ Bearbeitungszeit: 90 min. max. Punktezahl:
MehrTutorübung zur Vorlesung Grundlagen Rechnernetze und Verteilte Systeme Übungsblatt 7 (3. Juni 7. Juni 2013)
Technische Universität München Lehrstuhl Informatik VIII Prof Dr-Ing Georg Carle Dipl-Ing Stephan Günther, MSc Nadine Herold, MSc Dipl-Inf Stephan Posselt Tutorübung zur Vorlesung Grundlagen Rechnernetze
MehrUntersuchen Sie, inwiefern sich die folgenden Funktionen für die Verwendung als Hashfunktion eignen. Begründen Sie Ihre Antwort.
Prof. aa Dr. Ir. Joost-Pieter Katoen Christian Dehnert, Friedrich Gretz, Benjamin Kaminski, Thomas Ströder Tutoraufgabe 1 (Güte von Hashfunktionen): Untersuchen Sie, inwiefern sich die folgenden Funktionen
MehrFakultät für Informatik Übung zu Kognitive Systeme Sommersemester 2016
Fakultät für Informatik Übung zu Kognitive Systeme Sommersemester 1 M. Sperber (matthias.sperber@kit.edu) S. Nguyen (thai.nguyen@kit.edu) Übungsblatt 3 Maschinelles Lernen und Klassifikation Abgabe online
MehrWas bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion
Was bisher geschah Daten, Information, Wissen explizites und implizites Wissen Wissensrepräsentation und -verarbeitung: Wissensbasis Kontextwissen Problemdarstellung fallspezifisches Wissen repräsentiert
MehrDurchschnitt von Matroiden
Durchschnitt von Matroiden Satz von Edmonds Dany Sattler 18. Januar 2007/ Seminar zur ganzzahligen Optimierung / Wallenfels Definition: Unabhängigkeitssystem Definition: Ein Mengensystem (S, J ) nennt
MehrDatenbankanwendung. Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern. Wintersemester 2014/15. smichel@cs.uni-kl.de
Datenbankanwendung Wintersemester 2014/15 Prof. Dr.-Ing. Sebastian Michel TU Kaiserslautern smichel@cs.uni-kl.de Wiederholung: Anfragegraph Anfragen dieses Typs können als Graph dargestellt werden: Der
MehrMinimal spannende Bäume
Minimal spannende Bäume Ronny Harbich 4. Mai 006 (geändert 19. August 006) Vorwort Ich danke Patrick Bahr und meinem Bruder Steffen Harbich für die Unterstützung bei dieser Arbeit. Sie haben sowohl zu
MehrDomain-independent. independent Duplicate Detection. Vortrag von Marko Pilop & Jens Kleine. SE Data Cleansing
SE Data Cleansing Domain-independent independent Duplicate Detection Vortrag von Marko Pilop & Jens Kleine http://www.informatik.hu-berlin.de/~pilop/didd.pdf {pilop jkleine}@informatik.hu-berlin.de 1.0
MehrEntwurf und Umsetzung eines Werkzeugs für die Fluchtwegplanung
Entwurf und Umsetzung eines Werkzeugs für die Fluchtwegplanung Diplomarbeit Christian Weiprecht Bauhaus-Universität Weimar Fakultät Bauingenieurwesen Professur CAD in der Bauinformatik Inhaltsübersicht
MehrFormale Grundlagen der Informatik
Formale Grundlagen der Informatik / 2015 1 Die Elemente einer (endlichen) Menge sollen den Elementen einer zweiten, gleichmächtigen Menge zugeordnet werden Problemstellung Bipartite Graphen Zuordnungsprobleme
MehrWintersemester 2008/2009
Fakultät für Informatik LS VI Information Engineering Prof. Dr. G. Kern-Isberner Patrick Krümpelmann, Jan-Hendrik Lochner, Max Vorderstemann Probeklausur zur Vorlesung Darstellung, Verarbeitung und Erwerb
MehrKünstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
MehrAufgaben zu Kapitel 9
Aufgaben zu Kapitel 9 Aufgabe 1 Für diese Aufgabe benötigen Sie den Datensatz Nominaldaten.sav. a) Sie arbeiten für eine Marktforschungsfirma und sollen überprüfen, ob die in diesem Datensatz untersuchte
MehrDas Briefträgerproblem
Das Briefträgerproblem Paul Tabatabai 30. Dezember 2011 Inhaltsverzeichnis 1 Problemstellung und Modellierung 2 1.1 Problem................................ 2 1.2 Modellierung.............................
Mehr2. Übung zur Vorlesung Statistik 2
2. Übung zur Vorlesung Statistik 2 Aufgabe 1 Welche der folgenden grafischen Darstellungen und Tabellen zeigen keine (Einzel-)Wahrscheinlichkeitsverteilung? Kreuzen Sie die richtigen Antworten an und begründen
MehrKlausur zur Vorlesung Mathematische Logik
Universität Heidelberg 13. Februar 2014 Institut für Informatik Prof. Dr. Klaus Ambos-Spies Dipl.-Math. Thorsten Kräling Klausur zur Vorlesung Mathematische Logik Musterlösung Aufgabe 1 (Aussagenlogik
MehrKapitel 3: Untere Schranken für algorithmische Probleme Gliederung
Gliederung 1. Grundlagen 2. Analyse der Laufzeit von Algorithmen 3. Untere Schranken für algorithmische Probleme 4. Sortier- und Selektionsverfahren 5. Paradigmen des Algorithmenentwurfs 6. Ausgewählte
MehrLogik für Informatiker
Vorlesung Logik für Informatiker 7. Aussagenlogik Analytische Tableaus Bernhard Beckert Universität Koblenz-Landau Sommersemester 2006 Logik für Informatiker, SS 06 p.1 Der aussagenlogische Tableaukalkül
MehrBinary Decision Diagrams (Einführung)
Binary Decision Diagrams (Einführung) Binary Decision Diagrams (BDDs) sind bestimmte Graphen, die als Datenstruktur für die kompakte Darstellung von booleschen Funktionen benutzt werden. BDDs wurden von
MehrLineare Funktionen. Klasse 8 Aufgabenblatt für Lineare Funktionen Datum: Donnerstag,
Lineare Funktionen Aufgabe 1: Welche der folgenden Abbildungen stellen eine Funktion dar? Welche Abbildungen stellen eine lineare Funktion dar? Ermittle für die linearen Funktionen eine Funktionsgleichung.
MehrDie Summen- bzw. Differenzregel
Die Summen- bzw Differenzregel Seite Kapitel mit Aufgaben Seite WIKI Regeln und Formeln Level Grundlagen Aufgabenblatt ( Aufgaben) Lösungen zum Aufgabenblatt Aufgabenblatt (7 Aufgaben) Lösungen zum Aufgabenblatt
Mehr2. Datenvorverarbeitung
Kurzreferat Das Ziel beim Clustering ist es möglichst gleich Datensätze zu finden und diese in Gruppen, sogenannte Cluster zu untergliedern. In dieser Dokumentation werden die Methoden k-means und Fuzzy
Mehr1. Einleitung wichtige Begriffe
1. Einleitung wichtige Begriffe Da sich meine besondere Lernleistung mit dem graziösen Färben (bzw. Nummerieren) von Graphen (speziell von Bäumen), einem Teilgebiet der Graphentheorie, beschäftigt, und
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
MehrGeometrie in der Spieltheorie
Evolutionäre Spieltheorie November 3, 2011 Evolution der Spieltheorie John von Neumann, Oskar Morgenstern 1944: The Theory of Games and Economic Behavior John Nash 1950: Non-cooperative Games Nash Gleichgewicht:
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK
TECHNISCHE UNIVERSITÄT MÜNCHEN FAKULTÄT FÜR INFORMATIK Lehrstuhl für Sprachen und Beschreibungsstrukturen SS 2009 Grundlagen: Algorithmen und Datenstrukturen Übungsblatt 11 Prof. Dr. Helmut Seidl, S. Pott,
MehrWiederholung zu Flüssen
Universität Konstanz Methoden der Netzwerkanalyse Fachbereich Informatik & Informationswissenschaft SS 2008 Prof. Dr. Ulrik Brandes / Melanie Badent Wiederholung zu Flüssen Wir untersuchen Flüsse in Netzwerken:
MehrSQL. SQL SELECT Anweisung SQL-SELECT SQL-SELECT
SQL SQL SELECT Anweisung Mit der SQL SELECT-Anweisung werden Datenwerte aus einer oder mehreren Tabellen einer Datenbank ausgewählt. Das Ergebnis der Auswahl ist erneut eine Tabelle, die sich dynamisch
MehrDieses 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.
MehrMotivation. Themenblock: Klassifikation. Binäre Entscheidungsbäume. Ansätze. Praktikum: Data Warehousing und Data Mining.
Motivation Themenblock: Klassifikation Praktikum: Data Warehousing und Data Mining Ziel Item hat mehrere Attribute Anhand von n Attributen wird (n+)-tes vorhergesagt. Zusätzliches Attribut erst später
MehrKlausur Algorithmen und Datenstrukturen
Technische Universität Braunschweig Sommersemester 2013 IBR - Abteilung Algorithmik Prof. Dr. Sándor Fekete Dr. Christiane Schmidt Stephan Friedrichs Klausur Algorithmen und Datenstrukturen 22.08.2013
Mehr1. Gegeben sind die Scheitelpunkte von Parabeln. Gib die Funktionsgleichungen an. a) S(-3/5) b) S(-1/-8) c) S(1/-0,5) d) S(0,5/0,2)
Vermischte Übungen (1) Verschiebung der Normalparabel 1. Gegeben sind die Scheitelpunkte von Parabeln. Gib die Funktionsgleichungen an. a) S(-3/5) b) S(-1/-8) c) S(1/-0,5) d) S(0,5/0,). In der Abbildung
MehrEinführung 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
MehrTraveling Salesman Problem (TSP)
Traveling Salesman Problem (TSP) Das Traveling Salesman Problem (TSP) ist ein bekanntes Optimierungsproblem. Ein Handlungsreisender soll in einer Rundreise (auch Tour genannt) n vorgegebene Städte besuchen.
MehrGrundlagen der Mathematik
Grundlagen der Mathematik Übungsaufgaben zu Kapitel 1 Einführung 1.1.1 Für reelle Zahlen a und b gilt (a+b) (a-b) = a 2 -b 2. Was ist die Voraussetzung? Wie lautet die Behauptung? Beweisen Sie die Behauptung.
Mehr2. Algorithmen und Algorithmisierung Algorithmen und Algorithmisierung von Aufgaben
Algorithmen und Algorithmisierung von Aufgaben 2-1 Algorithmisierung: Formulierung (Entwicklung, Wahl) der Algorithmen + symbolische Darstellung von Algorithmen Formalismen für die symbolische Darstellung
MehrGeometrische Objekte im 3-dimensionalen affinen Raum oder,... wie nützlich ist ein zugehöriger Vektorraum der Verschiebungen
Geometrische Objekte im -dimensionalen affinen Raum Bekanntlich versteht man unter geometrischen Objekten Punktmengen, auf die man die üblichen Mengenoperationen wie z.b.: Schnittmenge bilden: - aussagenlogisch:
MehrSpiegeln. Das Dokument NEWMirror01.CATPart öffnen. Auf der Wand werden eine Aussparung und ein neu begrenzter Flansch (Schulter) angezeigt
Seite 1 von 6 Spiegeln Komponente spiegeln In dieser Übung wird eine Komponente gespiegelt, d. h., sie wird bezüglich einer Ebene sym Folgende Komponenten können gespiegelt werden: Bohrungen, Wände, Wände
MehrKlausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK. für Studierende der INFORMATIK
Institut für Stochastik Prof. Dr. Daniel Hug Name: Vorname: Matr.-Nr.: Klausur zum Fach GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK Datum: 08. Februar 0 Dauer:
MehrÜberblick. TSP Vergleich der Lösungen. Das Travelling Salesman Problem. Nearest-Neighbor Heuristik für TSP
Kap..1 Heuristiken Kap.. Approximative Algorithmen und Gütegarantien Professor Dr. Lehrstuhl für Algorithm Engineering, LS11 Fakultät für Informatik, TU Dortmund 3. VO DAP SS 008 14. Juli 009 Überblick
Mehrf h c 7 a 1 b 1 g 2 2 d
) Man bestimme mit Hilfe des Dijkstra-Algorithmus einen kürzesten Weg von a nach h: c 7 a b f 5 h 3 4 5 i e 6 g 2 2 d Beim Dijkstra-Algorithmus wird in jedem Schritt von den noch unmarkierten Knoten jener
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
Mehr2. Teilklausur zur Vorlesung Grundlagen der Theoretischen Informatik
2. Teilklausur zur Vorlesung Grundlagen der Theoretischen Informatik Hinweise Ulrich Furbach Christian Schwarz Markus Kaiser Arbeitsgruppe Künstliche Intelligenz Fachbereich Informatik, Universität Koblenz-Landau
MehrMusterlösung zu Übungsblatt 6
Fakultät für Informatik Übungen zu Kognitive Systeme Sommersemster 2016 M. Sperber (matthias.sperber@kit.edu) T. Nguyen (nguyen@kit.edu) S. Speidel (stefanie.speidel@kit.edu) D. Katic (darko.katic@kit.edu)
MehrMathematik für Informatiker I
Mathematik für Informatiker I Mitschrift zur Vorlesung vom 19.10.2004 In diesem Kurs geht es um Mathematik und um Informatik. Es gibt sehr verschiedene Definitionen, aber für mich ist Mathematik die Wissenschaft
MehrExpertenpuzzle Quadratische Funktionen
Phase Aufgaben für die Expertengruppe I Im Folgenden sollen die in IR definierten Funktionen a : x x, b : x,5x, und d: x x untersucht werden. Die Abbildung zeigt den Graphen G a von a. Zeichnet die Graphen
MehrVorlesungsplan. Von Naïve Bayes zu Bayesischen Netzwerk- Klassifikatoren. Naïve Bayes. Bayesische Netzwerke
Vorlesungsplan 17.10. Einleitung 24.10. Ein- und Ausgabe 31.10. Reformationstag, Einfache Regeln 7.11. Naïve Bayes, Entscheidungsbäume 14.11. Entscheidungsregeln, Assoziationsregeln 21.11. Lineare Modelle,
MehrGrundbegriffe der Informatik
Grundbegriffe der Informatik Kapitel 15: Graphen Thomas Worsch KIT, Institut für Theoretische Informatik Wintersemester 2015/2016 GBI Grundbegriffe der Informatik KIT, Institut für Theoretische Informatik
MehrÜbungen zur Vorlesung Mathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt 8
Prof. Dr. Bernhard Steffen Dipl.Inf. Malte Isberner Dr. Oliver Rüthing Dipl.Inf. Melanie Schmidt Dr. Hubert Wagner Übungen zur Vorlesung Mathematik für Informatiker 1 Wintersemester 2013/14 Übungsblatt
MehrWestfählische Wilhelms-Universität. Eulersche Graphen. Autor: Jan-Hendrik Hoffeld
Westfählische Wilhelms-Universität Eulersche Graphen Autor: 21. Mai 2015 Inhaltsverzeichnis 1 Das Königsberger Brückenproblem 1 2 Eulertouren und Eulersche Graphen 2 3 Auffinden eines eulerschen Zyklus
MehrLEITFADEN NTF 5.0 für Windows
LEITFADEN NTF 5.0 für Windows ANMELDUNG IN DER TRADERS AREA Um die NTF 5.0 Software nutzen zu können, benötigen Sie einen Zugang zu unserer Traders Area. Bitte registrieren Sie sich dazu auf unserer Homepage:
MehrFunktionen Lineare Zuordnungen mit eigenen Worten in Wertetabellen, Graphen und in Termen darstellen und zwischen diesen Darstellungen wechseln.
Kernlernplan Jahrgangsstufe 8 8 Lineare Funktionen und lineare Gleichungen 1. Lineare Funktionen 2. Aufstellen von linearen Funktionsgleichungen 3. Nullstellen und Schnittpunkte Funktionen Interpretieren
MehrRouting Algorithmen. Begriffe, Definitionen
Begriffe, Definitionen Routing (aus der Informatik) Wegewahl oder Verkehrslenkung bezeichnet in der Telekommunikation das Festlegen von Wegen für Nachrichtenströme bei der Nachrichtenübermittlung über
MehrVorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage. 1 Einleitung Über dieses Buch Themenbereiche des Buches 2
xi Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage vii ix xi 1 Einleitung 1 1.1 Über dieses Buch 1 1.2 Themenbereiche des Buches 2 2 Wissensbasierte Systeme im Uberblick 7
MehrÜbungen zur Vorlesung MATHEMATIK II
Fachbereich Mathematik und Informatik der Philipps-Universität Marburg Übungen zur Vorlesung MATHEMATIK II Prof. Dr. C. Portenier unter Mitarbeit von Michael Koch Marburg, Sommersemester 2005 Fassung vom
MehrBayes sche Klassifikatoren. Uwe Reichel IPS, LMU München 16. Juli 2008
Bayes sche Klassifikatoren Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 16. Juli 2008 Inhalt Einleitung Grundlagen der Wahrscheinlichkeitsrechnung Noisy-Channel-Modell Bayes sche Klassifikation
MehrAlgorithmen für Ad-hoc- und Sensornetze Nachtrag zu VL 06 Doubling Dimensions
Algorithmen für Ad-hoc- und Sensornetze Nachtrag zu VL 06 Doubling Dimensions Dr. rer. nat. Bastian Katz 0. Juni 009 (Version vom. Juni 009) Von Kreisen, Kugeln und Bällen Definition In einem metrischen
MehrLösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK
Institut für Stochastik Dr. Steffen Winter Lösungen zur Klausur GRUNDLAGEN DER WAHRSCHEINLICHKEITSTHEORIE UND STATISTIK für Studierende der INFORMATIK vom 17. Juli 01 (Dauer: 90 Minuten) Übersicht über
MehrModellgestützte Analyse und Optimierung Übungsblatt 4
Fakultät für Informatik Lehrstuhl 4 Peter Buchholz, Jan Kriege Sommersemester 2015 Modellgestützte Analyse und Optimierung Übungsblatt 4 Ausgabe: 27.04.2015, Abgabe: 04.05.2015 (12 Uhr) Aufgabe 4.1: Verteilungsfunktionen
MehrLösungen 1 zum Mathematik-Brückenkurs für alle, die sich für Mathematik interessieren
Lösungen 1 zum Mathematik-Brückenkurs für alle, die sich für Mathematik interessieren µfsr, TU Dresden Version vom 11. Oktober 2016, Fehler, Ideen, Anmerkungen und Verbesserungsvorschläge bitte an benedikt.bartsch@myfsr.de
MehrMusterlösung zur Hauptklausur Theoretische Grundlagen der Informatik Wintersemester 2013/14
Institut für Theoretische Informatik Prof. Dr. Jörn Müller-Quade Musterlösung zur Hauptklausur Theoretische Grundlagen der Informatik Wintersemester 23/4 Vorname Nachname Matrikelnummer Hinweise Für die
MehrVorlesung. Funktionen/Abbildungen
Vorlesung Funktionen/Abbildungen 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.
MehrFACHHOCHSCHULE MANNHEIM
Objektorientierte Programmierung 8. Vorlesung Prof. Dr. Peter Knauber FACHHOCHSCHULE MANNHEIM Hochschule für Technik und Gestaltung e Die 1. lgruppe von KobrA: Realization le der Realization: Kurze Structural
MehrKapitel 5 KONVERGENZ
Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz
Mehr1. Musterlösung zu Mathematik für Informatiker I, WS 2003/04
1 Musterlösung zu Mathematik für Informatiker I, WS 2003/04 MICHAEL NÜSKEN, KATHRIN TOFALL & SUSANNE URBAN Aufgabe 11 (Aussagenlogik und natürliche Sprache) (9 Punkte) (1) Prüfe, ob folgenden Aussagen
MehrExpertenpuzzle Quadratische Funktionen
Phase 1 Lösung für die Expertengruppe I Im Folgenden sollen die in IR definierten Funktionen a : x x, b : x x 0,5, c : x x und d: x x 3 untersucht werden. Die Abbildung zeigt den Graphen G a von a, also
MehrPraktikum zu Einführung in die Informatik für LogWiIngs und WiMas Wintersemester 2015/16. Vorbereitende Aufgaben
Praktikum zu Einführung in die Informatik für LogWiIngs und WiMas Wintersemester 2015/16 Fakultät für Informatik Lehrstuhl 14 Lars Hildebrand, Marcel Preuß, Iman Kamehkhosh, Marc Bury, Diana Howey Übungsblatt
MehrKapiteltests zum Leitprogramm Binäre Suchbäume
Kapiteltests zum Leitprogramm Binäre Suchbäume Björn Steffen Timur Erdag überarbeitet von Christina Class Binäre Suchbäume Kapiteltests für das ETH-Leitprogramm Adressaten und Institutionen Das Leitprogramm
MehrKombinatorik. Additions- und Multiplikationsgesetz
Kombinatorik Die Kombinatorik beschäftigt sich mit der Berechnung der Anzahl Möglichkeiten, eine Anzahl von Objekten aus einer Grundmenge auszuwählen. Z.B. beim Schweizer Zahlenlotto 6 aus 45. Dabei wird
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Clusteranalyse. Tobias Scheffer Thomas Vanck
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Clusteranalyse Tobias Scheffer Thomas Vanck Überblick Problemstellung/Motivation Deterministischer Ansatz: K-Means Probabilistischer
Mehrbzw. die Entscheidugen anderer Spieler (teilweise) beobachten Erweitert das Analysespektrum erheblich Beschreibung des Spiels (extensive Form)
1 KAP 9. Dynamische Spiele Bisher: alle Spieler ziehen simultan bzw. können Aktionen der Gegenspieler nicht beobachten Nun: Dynamische Spiele Spieler können nacheinander ziehen bzw. die Entscheidugen anderer
MehrEinstieg in die Informatik mit Java
1 / 34 Einstieg in die Informatik mit Java Klassen mit Instanzmethoden Gerd Bohlender Institut für Angewandte und Numerische Mathematik Gliederung 2 / 34 1 Definition von Klassen 2 Methoden 3 Methoden
Mehr2. Übungsblatt zu Algorithmen II im WS 2016/2017
Karlsruher Institut für Technologie Institut für Theoretische Informatik Prof. Dr. Peter Sanders Dr. Christian Schulz, Dr. Simon Gog Michael Axtmann. Übungsblatt zu Algorithmen II im WS 016/017 Aufgabe
MehrDiskrete Strukturen Kapitel 1: Einleitung
WS 2015/16 Diskrete Strukturen Kapitel 1: Einleitung Hans-Joachim Bungartz Lehrstuhl für wissenschaftliches Rechnen Fakultät für Informatik Technische Universität München http://www5.in.tum.de/wiki/index.php/diskrete_strukturen_-_winter_15
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
MehrÜbungsaufgaben zu Formalen Sprachen und Automaten
Universität Freiburg PD Dr. A. Jakoby Sommer 27 Übungen zum Repetitorium Informatik III Übungsaufgaben zu Formalen Sprachen und Automaten. Untersuchen Sie das folgende Spiel: A B x x 2 x 3 C D Eine Murmel
MehrData Mining Bericht. Analyse der Lebenssituation der Studenten. der Hochschule Wismar. Zur Veranstaltung. Business Intelligence
Data Mining Bericht Analyse der Lebenssituation der Studenten der Hochschule Wismar Zur Veranstaltung Business Intelligence Eingereicht von: Mohamed Oukettou 108 208 Maxim Beifert 118 231 Vorgelegt von:
MehrAblaufschema beim Testen
Ablaufschema beim Testen Schritt 1 Schritt 2 Schritt 3 Schritt 4 Schritt 5 Schritt 6 Schritt 7 Schritt 8 Schritt 9 Starten Sie die : Flashanimation ' Animation Ablaufschema Testen ' siehe Online-Version
MehrResolutionsalgorithmus
112 Resolutionskalkül Mit dem Begriff Kalkül bezeichnet man eine Menge von syntaktischen Umformungsregeln, mit denen man semantische Eigenschaften der Eingabeformel herleiten kann. Für den Resolutionskalkül:
Mehr