4 Spezielle Schlussverfahren
|
|
|
- Ilse Kruse
- vor 6 Jahren
- Abrufe
Transkript
1 4 Spezielle Schlussverfahren 10. Vorlesung: Abduktion und Hypothesenbildung; Induktion und Lernen Methoden der Künstlichen Intelligenz Ipke Wachsmuth WS 2012/2013
2 Kernfragen der Vorlesung 1. Wie lässt sich Wissen symbolisch repräsentieren? 2. Wie lassen sich Probleme durch (geschickte) Suche lösen? 3. Wie lassen sich maschinell Schlussfolgerungen aus Annahmen ziehen? 4. Wie lassen sich auch bei unsicherem und unvollständigem Wissen Schlüsse ziehen? 5. Wie lassen sich Kommunikationsfähigkeiten für Maschinen realisieren? 10. Vorlesung! Methoden der Künstlichen Intelligenz! 2!
3 Übersicht zu Abschnitt 4 Gegenstand: Einblick in weitere Inferenzverfahren Abduktives und induktives Schließen (heute) Probabilistisches und nichtmonotones Schließen Temporales und räumliches Schließen 10. Vorlesung! Methoden der Künstlichen Intelligenz! 3!
4 Inferenzregeln im Vergleich Deduktives Schließen (Modus ponens) Universelle Einsetzung (deduktiv) Gegeben daß dass" (if p q ) und p gilt Gegeben dass" daß (forall(x) (Px)) gilt schließe, daß dass" q gilt. Legaler Schluss Schluß in der Logik, generiert die " Konsequenz aus bedingter Aussage und Fakt. dass" schließe, daß (Pa) für jede Konstante a gilt. Legaler Schluss Schluß in der Logik, schließt vom " Allgemeinen auf das Einzelne. Abduktives Schließen Induktives Schließen Gegeben dass" daß (if p q ) und q gilt dass" Gegeben daß (Pa), (Pb),... gilt schließe, daß dass" p gilt. Kein legaler Schluß Schluss in in der Logik, aber oft " benutzt, um Hypothesen zu generieren. schließe, dass" daß (forall(x)(! Px)) gilt. Kein legaler Schluß Schluss in in der Logik, ist aber " eine der Grundlagen von Lernen. 10. Vorlesung! Methoden der Künstlichen Intelligenz! 4!
5 Abduktion in der Aussagenlogik In klassischer Schreibweise: p > q q p Es regnet > Die Straße ist nass Die Straße ist nass Es regnet "Es regnet" ist nur eine Hypothese. Es könnte ja auch andere Ursachen geben... Abduktives Schließen Gegeben dass" daß (if p q ) und q gilt schließe, daß dass" p gilt. Es taut > Die Straße ist nass! naß Die Straße ist nass! naß Es taut Kein legaler Schluß Schluss in in der Logik, aber oft " benutzt, um Hypothesen zu generieren. 10. Vorlesung! Methoden der Künstlichen Intelligenz! 5!
6 Deduktion und Abduktion Deduktives Schließen (Modus ponens) Gegeben daß dass" (if p q ) und p gilt schließe, daß dass" q gilt. Legaler Schluss Schluß in der Logik, generiert die " Konsequenz aus bedingter Aussage und Fakt. Abduktives Schließen Gegeben dass" daß (if p q ) und q gilt Abduktives Schließen ist typisch für die Diagnostik: Wenn eine Diagnose D das Symptom S verursacht und S wird beobachtet, dann ist D eine mögliche Erklärung für S. Deduktion Abduktion schließe, daß dass" p gilt. Kein legaler Schluß Schluss in in der Logik, aber oft " benutzt, um Hypothesen zu generieren. D > S D S D > S S D 10. Vorlesung! Methoden der Künstlichen Intelligenz! 6!
7 Abduktion in der Prädikatenlogik (if (hat_bronchitis?person) (husten?person))! (husten Hans)!! (hat_bronchitis Hans)! (if (hat_stauballergie?person) (husten?person))! (husten Hans)!! (hat_stauballergie Hans)! (Für Formeln der PL läuft Unifikation etc. analog zur Deduktion) D1 > S D2 > S S S D1 D2 10. Vorlesung! Methoden der Künstlichen Intelligenz! 7!
8 Abduktion und Kausalität (if (hat_bronchitis?person)! (husten?person))! (husten Hans)!! (hat_bronchitis Hans)! Idee: Finde die Erklärung (Ursache) für eine Beobachtung. Es könnte mehrere geben.! Abduktion ist nur plausible Inferenz. Kann schief gehen: (if (auf_station5?patient)! (hat_krebs?patient))! (hat_krebs Eliza)!! (auf_station5 Eliza)! Grundlage für abduktive Schlüsse muss sein, dass der Antezedent und der Konsequent der Regeln in einer Ursache-Folge- Beziehung stehen! Kausalität und logische Implikation sind nicht dasselbe! modelliert keinen Kausalzusammenhang. 10. Vorlesung! Methoden der Künstlichen Intelligenz! 8!
9 Regel zur Verdachtgenerierung In der Diagnostik werden u.a. Regeln verwendet, die Ursache-Folge-Beziehungen modellieren und abduktiv eingesetzt werden, z.b.:!wenn!1. Nackensteife!! und!2. hohes Fieber!! und!3. Bewusstseinstrübung! zusammentreffen!!dann!besteht Verdacht auf Meningitis aus dem MYCIN-System zur Diagnose bakterieller Infektionen des Blutes und des Hirns 10. Vorlesung! Methoden der Künstlichen Intelligenz! 9!
10 Dartmouth Conference (1956) siehe 1. Vorlesung (aus Antrag an die Rockefeller-Stiftung)" John McCarthy" Marvin Minsky" Nathaniel Rochester" Claude Shannon" We propose that a two-month, ten-man study of artificial intelligence be carried out during the summer of 1956 at Dartmouth College in Hanover, New Hampshire. The study is to proceed on the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it. Dartmouth College" 1. Vorlesung! Methoden der Künstlichen Intelligenz! 10!
11 Was ist Lernen allgemein? "Lernen ist jede Veränderung eines Systems, die es ihm erlaubt, eine Aufgabe bei der Wiederholung derselben Aufgabe oder einer Aufgabe derselben Art besser zu lösen." (Simon 1983: Why should machines learn?) Kritik: auch Veränderungen erfasst, die man gemeinhin nicht als Lernen bezeichnen würde. "Lernen ist ein Prozess, bei dem ein System eine abrufbare Repräsentation von vergangenen Interaktionen mit seiner Umwelt aufbaut." (Scott 1983, Learning: The construction of a posteriori knowledge structures) "Lernen ist das Konstruieren oder Verändern von Repräsentationen von Erfahrungen." (Michalski 1986: Understanding the nature of learning) 10. Vorlesung! Methoden der Künstlichen Intelligenz! 11!
12 Maschinelles Lernen In der KI ist eine Vielzahl von Lernverfahren entwickelt worden. Hier befassen wir uns (nur) mit zwei einfachen Ansätzen des Lernens auf der Grundlage induktiver Inferenzen: Lernen des allgemeinen Zusammenhangs Konzeptlernen aus Beispielen und Gegenbeispielen 10. Vorlesung! Methoden der Künstlichen Intelligenz! 12!
13 Univ. Einsetzung vs. Induktion Bei der universellen Einsetzung wird vom Allgemeinen auf jedes Spezielle geschlossen. (hier nur für eine Variable und Konstantenterme betrachtet) Bei der Induktion wird von den speziellen Beobachtungen verallgemeinert/generalisiert. Universelle Einsetzung (deduktiv) Gegeben dass" daß (forall(x) (Px)) dass" gilt schließe, daß (Pa) für jede Konstante a gilt. Legaler Schluss Schluß in der Logik, schließt vom " Allgemeinen auf das Einzelne. Induktives Schließen dass" Gegeben daß (Pa), (Pb),... gilt schließe, dass" daß (forall(x)(! Px)) gilt. Kein legaler Schluß Schluss in in der Logik, ist aber " eine der Grundlagen von Lernen. 10. Vorlesung! Methoden der Künstlichen Intelligenz! 13!
14 Induktiver Schluss Basisansatz gegeben: gegeben: gegeben: Schließe: (if (inst leaf-1 leaf) (color leaf-1 green))! (if (inst leaf-2 leaf) (color leaf-2 green))! (P a)! (P b)! (if (inst leaf-3 leaf) (color leaf-3 green))! (P c)!...!! (forall (x) (if (inst x leaf) (color x green))! Induktives Schließen (Aus den an einzelnen Blättern beobachteten Farben wurde hiermit auf alle generalisiert.) dass" Gegeben daß (Pa), (Pb),... gilt schließe, dass" daß (forall(x)(! Px)) gilt. Kein legaler Schluß Schluss in in der Logik, ist aber " eine der Grundlagen von Lernen. 10. Vorlesung! Methoden der Künstlichen Intelligenz! 14!
15 Generalisierung durch Induktion Adam ist ein Mensch. Adam ist sterblich. Eva ist ein Mensch. Eva ist sterblich. Jochen ist ein Mensch. Jochen ist sterblich. Meike ist ein Mensch. Meike ist sterblich.?x ist ein Mensch >?x ist sterblich statistische Rechtfertigung Verwendung (Vorhersage aufgrund der induzierten Aussage) ist deduktiv: Sokrates ist ein Mensch. Sokrates ist sterblich. 10. Vorlesung! Methoden der Künstlichen Intelligenz! 15!
16 Bemerkung: Lernen kann abduktiv sein (Auch dies ist aber kein legaler Schluss!)?x ist ein Mensch -->?x ist sterblich Sokrates ist sterblich. Sokrates ist ein Mensch. Aufgrund einiger Gemeinsamkeiten werden alle anderen Eigenschaften übernommen. Dieser Schluss ist (wie die Induktion) nicht wahrheitserhaltend, sondern nur falschheitserhaltend : Wenn Sokrates nicht sterblich ist, ist er auch kein Mensch. Wenn es einen Menschen gibt, der nicht sterblich ist, sind auch nicht alle Menschen sterblich. 10. Vorlesung! Methoden der Künstlichen Intelligenz! 16!
17 Konzeptlernen durch Induktion Von zentraler Bedeutung beim Menschen ist das Lernen von Konzepten aus Beispielen und Gegenbeispielen. Als Musterfall wird hier das Lernen des Konzepts arch (Bogen) in einem semantischen Netzwerk betrachtet. Durch jedes weitere Beispiel/Gegenbeispiel werden schon induzierte Beschreibungen weiter differenziert. Eine besondere Rolle spielen dabei knapp verfehlte Gegenbeispiele. 10. Vorlesung! Methoden der Künstlichen Intelligenz! 17!
18 Konzeptlernen aus Beispielen Winstonʼs Lernprogramm (1975) Arch" Beispiele und ähnliche Gegenbeispiele: knapp verfehlte ( near misses ) Near miss" Near miss" Arch" Induktionsheuristiken (u.a.): Require-link Forbid-link Climb-Tree 10. Vorlesung! Methoden der Künstlichen Intelligenz! 18!
19 Induktionsheuristik Require-link Arch support support Arch left-of Near miss Near miss left-of Arch left-of 10. Vorlesung! Methoden der Künstlichen Intelligenz! 19!
20 Induktionsheuristik Forbid-link Arch Arch left-of Near miss left-of Near miss touch touch Arch left-of must-not-touch must-not-touch 10. Vorlesung! Methoden der Künstlichen Intelligenz! 20!
21 Climb-tree Block Arch (with brick) is-a left-of must-not-touch must-not-touch Brick Block Arch (with wedge) is-a left-of must-not-touch must-not-touch Wedge must-be-a Block left-of must-not-touch must-not-touch 10. Vorlesung! Methoden der Künstlichen Intelligenz! 21!
22 a a1 a2 a3 Beschreibung: (parts a a1 a2 a3) (on a1 a2) (on a1 a3) (not (touch a2 a3)) (inst a1 brick) (inst a2 brick) (inst a3 brick) (inst a arch) In logischer Darstellung: Gelernte Definition von "arch": (if (and (parts?x?x1?x2?x3) (on?x1?x2) (on?x1?x3) (not (touch?x2?x3)) (inst?x1 block) (inst?x2 brick) (inst?x3 brick)) (inst?x arch)) b c d b2 b3 b1 c1 c2 c3 d1 d2 d3 Beschreibung: (parts b b1 b2 b3) (not (on b1 b2)) (not (on b1 b3)) (not (touch b2 b3)) (inst b1 brick) (inst b2 brick) (inst b3 brick) (not (inst b arch)) Beschreibung: (parts c c1 c2 c3) (on c1 c2) (on c1 c3) (touch c2 c3) (inst c1 brick) (inst c2 brick) (inst c3 brick) (not (inst c arch)) Beschreibung: (parts d d1 d2 d3) (on d1 d2) (on d1 d3) (not (touch d2 d3)) (inst d1 wedge) (inst d2 brick) (inst d3 brick) (inst d arch) 10. Vorlesung! Methoden der Künstlichen Intelligenz! 22!
23 Literaturhinweise Charniak/McDermott:! Abschnitt 8.1, sowie Abschnitte 1.6 und 11.2 siehe auch:! Winston: Artificial Intelligence, Kap. 16 mehr über Lernen:! Kapitel 18 im Buch von Russell & Norvig oder auch:! Görz et al.: Handbuch der KI, Kapitel Vorlesung! Methoden der Künstlichen Intelligenz! 23!
24 und wer noch mehr lernen will... Noch bis zum 31. Dezember kann man sich um ein IK Stipendium bewerben!... ist sicher einen Versuch wert! 10. Vorlesung! Methoden der Künstlichen Intelligenz! 24!
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
1. Lernen von Konzepten
1. Lernen von Konzepten Definition des Lernens 1. Lernen von Konzepten Lernziele: Definitionen des maschinellen Lernens kennen, Klassifikationen des maschinellen Lernens kennen, Das Prinzip des induktiven
Konzepte der AI: Maschinelles Lernen
Konzepte der AI: Maschinelles Lernen Nysret Musliu, Wolfgang Slany Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme, TU-Wien Übersicht Was ist Lernen? Wozu maschinelles
Übersicht. 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
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
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
Seminar Künstliche Intelligenz Wintersemester 2014/15
Seminar Künstliche Intelligenz Wintersemester 2014/15 Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 15.10.2014 2 / 14 Überblick Teilgebiete der KI Problemlösen,
Einführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
Klassische Aussagenlogik
Eine Einführung in die Logik Schon seit Jahrhunderten beschäftigen sich Menschen mit Logik. Die alten Griechen und nach ihnen mittelalterliche Gelehrte versuchten, Listen mit Regeln zu entwickeln, welche
Seminar: Denken und Problemlösen Dozent: Prof. Dr. Joachim Funke. Referent: Philip Furley
Seminar: Denken und Problemlösen Dozent: Prof. Dr. Joachim Funke Referent: Philip Furley Gliederung Einleitung Ziel: Gemeinsamkeiten und Unterschiede der Sichtweisen der Künstlichen Intelligenz und der
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;
Künstliche Intelligenz Maschinelles Lernen
Künstliche Intelligenz Maschinelles Lernen Stephan Schwiebert Sommersemester 2009 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Maschinelles Lernen Überwachtes Lernen
Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume. von Lars-Peter Meyer. im Seminar Methoden wissensbasierter Systeme
Seminarvortrag zum Thema maschinelles Lernen I - Entscheidungsbäume von Lars-Peter Meyer im Seminar Methoden wissensbasierter Systeme bei Prof. Brewka im WS 2007/08 Übersicht Überblick maschinelles Lernen
Konzepte der AI. Maschinelles Lernen
Konzepte der AI Maschinelles Lernen http://www.dbai.tuwien.ac.at/education/aikonzepte/ Wolfgang Slany Institut für Informationssysteme, Technische Universität Wien mailto: wsi@dbai.tuwien.ac.at, http://www.dbai.tuwien.ac.at/staff/slany/
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
Wissenschaftstheoretische Grundlagen
Wissenschaftstheoretische Grundlagen Gemeinsame Annahme von allen wissenschaftstheoretischen Ansätze der empirischen Wissenschaften Es existiert eine reale Welt, die unabhängig ngig vom Beobachter ist.
Wissenschaftliches Arbeiten
Wissenschaftliches Arbeiten Andreas Schoknecht Jan Recker, Scientific Research in Information Systems A Beginner's Guide, Springer, 2013 INSTITUT FÜR ANGEWANDTE INFORMATIK UND FORMALE BESCHREIBUNGSVERFAHREN
Einführung in die Fuzzy Logic
Einführung in die Fuzzy Logic Entwickelt von L. Zadeh in den 60er Jahren Benutzt unscharfe (fuzzy) Begriffe und linguistische Variablen Im Gegensatz zur Booleschen Logik {0,} wird das ganze Intervall [0,]
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
Hilbert-Kalkül (Einführung)
Hilbert-Kalkül (Einführung) Es gibt viele verschiedene Kalküle, mit denen sich durch syntaktische Umformungen zeigen läßt, ob eine Formel gültig bzw. unerfüllbar ist. Zwei Gruppen von Kalkülen: Kalküle
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
Logische Folgerung. Definition 2.11
Logische Folgerung Definition 2.11 Sei 2A eine aussagenlogische Formel und F eine endliche Menge aussagenlogischer Formeln aus A. heißt logische Folgerung von F genau dann, wenn I ( ) =1für jedes Modell
Einführung in die Wissenschaftsphilosophie
Einführung in die Wissenschaftsphilosophie Prof. Dr. Martin Kusch 1 Einführung in die Wissenschaftsphilosophie: 2. Vorlesung: Induktion 2 (1) Logik,
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
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
Kapitel 1.5. Ein adäquater Kalkül der Aussagenlogik. Teil 1: Kalküle und Beweisbarkeit und die Korrektheit des Shoenfield-Kalküls
Kapitel 1.5 Ein adäquater Kalkül der Aussagenlogik Teil 1: Kalküle und Beweisbarkeit und die Korrektheit des Shoenfield-Kalküls Mathematische Logik (WS 2012/13) Kapitel 1.5: Kalküle 1/30 Syntaktischer
Kapitel MK:V. V. Diagnoseansätze
Kapitel MK:V V. Diagnoseansätze Diagnoseproblemstellung Diagnose mit Bayes Evidenztheorie von Dempster/Shafer Diagnose mit Dempster/Shafer Truth Maintenance Assumption-Based TMS Diagnosis Setting Diagnosis
Kapitel MK:I. I. Einführung. Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI
Kapitel MK:I I. Einführung Künstliche Intelligenz Starke KI versus Schwache KI Geschichte der KI Gebiete der KI MK:I-1 AI Introduction STEIN 1998-2013 Künstliche Intelligenz Was ist Intelligenz? Intelligenztests:
Geschichte der Logik. Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen. Syllogismen (I) Syllogismen (II)
Geschichte der Logik Vorlesung Logik Sommersemester 2012 Universität Duisburg-Essen Barbara König Übungsleitung: Christoph Blume Beginn in Griechenland: Aristoteles (384 322 v.chr.) untersucht das Wesen
Rhetorik und Argumentationstheorie.
Rhetorik und Argumentationstheorie 3 [frederik.gierlinger@univie.ac.at] Teil 3 Widerlegungsstrategien I 2 Widerlegung von Argumenten Allgemeine Hinweise Ein Argument kann widerlegt werden indem gezeigt
Fundamente der Computational Intelligence
Wintersemester 2005/06 Fundamente der Computational Intelligence (Vorlesung) Prof. Dr. Günter Rudolph Fachbereich Informatik Lehrstuhl für Algorithm Engineering Kapitel 2: Fuzzy Systeme Inhalt Fuzzy Mengen
Herzlich willkommen zur Vorlesung. Methoden der empirischen Sozialforschung I. Hypothesen Forschungslogik
FB 1 W. Ludwig-Mayerhofer I 1 Herzlich willkommen zur Vorlesung der empirischen Sozialforschung I FB 1 W. Ludwig-Mayerhofer I 2 Einleitendes Gute/schlechte H. Arten von H. In den Sozialwissenschaften untersuchen
Wissensbasierte Systeme/ Expertensysteme. Teil 2
Wissensbasierte Systeme/ Expertensysteme Teil 2 BiTS, Sommersemester 2004 Dr. Stefan Kooths KOOTHS BiTS: Wissensbasierte Systeme/Expertensysteme Teil 2 1 Gliederung 1. Einführung und Einordnung 2. Entscheidungsunterstützung(ssysteme)
Information Retrieval
Information Retrieval Norbert Fuhr 12. April 2010 Einführung 1 IR in Beispielen 2 Was ist IR? 3 Dimensionen des IR 4 Daten Information Wissen 5 Rahmenarchitektur für IR-Systeme IR in Beispielen IR-Aufgaben
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
Diese Unterteilung ist nicht exklusiv, Fachgrenzen (gerade auch im Zuge der interdisziplinären Vernetzung) durchlässig!
Allgemeine Begriffsbestimmung von Wissenschaft Wissenschaft ist der Oberbegriff für alle diejenigen Disziplinen menschlicher Forschung, deren Ziel es ist, Tatsachen über Bereiche der Natur sowie der geistigen,
Darstellung, Verarbeitung und Erwerb von Wissen
Darstellung, Verarbeitung und Erwerb von Wissen Gabriele Kern-Isberner LS 6 Information Engineering TU Dortmund Wintersemester 2008/09 G. Kern-Isberner (TU Dortmund) DVEW 1 / 38 Kapitel 1 Einführung und
Binäre 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.
Kapitel MK:III. III. Begriffe der Modellierung
Kapitel MK:III III. Begriffe der Modellierung System und Modell Modellieren zum Schlussfolgern Modellbildung Systemraum und Modellraum Adäquate Modellierung MK:III-1 Modeling Concepts STEIN 2000-2015 Beispiel
Answer Set Programming
Answer Set Programming mit Answer Set Prolog (A-Prolog) Wangler Thomas Logikprogrammierung Institut für Computerlinguistik Universität Heidelberg Inhaltsverzeichnis Inhaltsverzeichnis Inhaltsverzeichnis
Diskrete 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
Qualitative und Quantitative Forschungsmethoden
Qualitative und Quantitative Forschungsmethoden Unterschiede zwischen den Forschungsstrategien Überprüfendes vs. Entdeckendes Erkenntnisinteresse Ziel ist die Überprüfung von Theorieaussagen. Es werden
1. Übersicht, Einführung und Motivation
Kapitel 1 Übersicht, Einführung und Motivation 1. Übersicht, Einführung und Motivation 8 Struktur der Vorlesung 1 Übersicht, Einführung und Motivation 2 Wissensrepräsentation 3 Klassische und nichtklassische
Verwendung von Methoden der formalen Logik in der Linguistik
1.1 Logik und Linguistik 1 Einführung 1.1 Logik und Linguistik [ Gamut 9-27, Partee 93-95, Chierchia 17-52 ] Natürliche Sprachen sind durch Ambiguitäten und Vagheiten beim Ausdruck von Denkinhalten charakterisiert.
Grundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 39. Brettspiele: Alpha-Beta-Suche und Ausblick Malte Helmert Universität Basel 23. Mai 2014 Brettspiele: Überblick Kapitelüberblick: 38. Einführung und Minimax-Suche
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
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
Ergänzungsmaterial g zum Kapitel. Die Unified Modeling Language (UML) Aggregation versus Komposition
Ergänzungsmaterial g zum Kapitel Die Unified Modeling Language (UML) Aggregation versus Komposition UML, statisches Modell: Assoziationen Kardinalität beliebig: festes Intervall: 0.. offenes Intervall:
ENTWICKLUNGSPSYCHOLOGIE & SOZIALISATION. Mädchenschachpatent 2015 in Nußloch Referentin: Melanie Ohme
ENTWICKLUNGSPSYCHOLOGIE & SOZIALISATION 1 Mädchenschachpatent 2015 in Nußloch Referentin: Melanie Ohme ÜBERSICHT Entwicklungspsychologie Einführung Faktoren der Entwicklung Geschlechterunterschiede Diskussionen
Spezielle Themen der KI Wissensrepräsentation und Lernen Einleitung
Spezielle Themen der KI Wissensrepräsentation und Lernen Einleitung Marc Erich Latoschik AI & VR Lab, Faculty of Technology marcl@techfak.uni-bielefeld.de Übersicht der Vorlesung Ergänzung und Vertiefung
A study on computer-aided design of PIN-diode phase modulators at microwave frequencies
Downloaded from orbit.dtu.dk on: Jul 08, 2016 A study on computer-aided design of PIN-diode phase modulators at microwave frequencies Schjær-Jacobsen, Hans Publication date: 1976 Document Version Publisher's
Methoden der KI in der Biomedizin Unsicheres Schließen
Methoden der KI in der Biomedizin Unsicheres Schließen Karl D. Fritscher Motivation Insofern sich die Gesetze der Mathematik auf die Wirklichkeit beziehen, sind sie nicht sicher. Und insofern sie sich
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
Bausteine der Wissenschaftstheorie & die Logik der Logik
Bausteine der Wissenschaftstheorie & die Logik der Logik Wissenschaftstheoretische Grundlagen der Geographie 716013 SS 16 EH2 Karl-Michael Höferl VO Wissenschaftstheo. Grundlagen KMH 1 Rückblick Wissenschaftliche
Erinnerung 1. Erinnerung 2
Erinnerung 1 Ein Argument ist eine Folge von Aussagesätzen, mit der der Anspruch verbunden ist, dass ein Teil dieser Sätze (die Prämissen) einen Satz der Folge (die Konklusion) in dem Sinne stützen, dass
Statistische Verfahren in der Künstlichen Intelligenz, Bayesische Netze
Statistische Verfahren in der Künstlichen Intelligenz, Bayesische Netze Erich Schubert 6. Juli 2003 LMU München, Institut für Informatik, Erich Schubert Zitat von R. P. Feynman Richard P. Feynman (Nobelpreisträger
Induktive Logik. Confirmation and Confirmability
Induktive Logik Confirmation and Confirmability Seminar: Logik auf Abwegen Referent: Michael Nikelsky Betreuer: Vladimir Klebanov Einleitung Induktive Logik spielt eine wichtige Rolle in unserem täglichen
ELBA2 ILIAS TOOLS AS SINGLE APPLICATIONS
ELBA2 ILIAS TOOLS AS SINGLE APPLICATIONS An AAA/Switch cooperative project run by LET, ETH Zurich, and ilub, University of Bern Martin Studer, ilub, University of Bern Julia Kehl, LET, ETH Zurich 1 Contents
Hazards and measures against hazards by implementation of safe pneumatic circuits
Application of EN ISO 13849-1 in electro-pneumatic control systems Hazards and measures against hazards by implementation of safe pneumatic circuits These examples of switching circuits are offered free
Suche in Spielbäumen Projektvorschläge
Suche in Spielbäumen Projektvorschläge Nullsummenspiele sind Spiele mit zwei Spielern, bei denen der Vorteil des einen Spielers dem Nachteil des anderen Spieler entspricht. Im einfachsten Fall binär (Sieg
Konfliktforschung I Übung W5
Konfliktforschung I Übung W5 19.10.2016 Block 1: Historischer Überblick Woche 5 Die zwei Weltkriege und das Konzept der kollektiven Sicherheit Ladina Schröter Agenda 1. Rückblick auf letzte Woche Veränderung
Level 1 German, 2012
90886 908860 1SUPERVISOR S Level 1 German, 2012 90886 Demonstrate understanding of a variety of German texts on areas of most immediate relevance 9.30 am Tuesday 13 November 2012 Credits: Five Achievement
Kausalität. Matthias Speidel Betreuerin: Andrea Wiencierz. 21. Januar Einleitung Erkenntnisprozess Fundamentalproblem und Lösungsansatz Schluss
Kausalität Matthias Speidel Betreuerin: Andrea Wiencierz 21. Januar 2011 1 / 28 Inhaltsverzeichnis 1 Einleitung Motivation Statistik zu betreiben Begrisspezikation Kausalität Beispiel 2 Abduktion Deduktion
Terme stehen für Namen von Objekten des Diskursbereichs (Subjekte, Objekte des natürlichsprachlichen Satzes)
Prädikatenlogik Man kann den natürlichsprachlichen Satz Die Sonne scheint. in der Prädikatenlogik beispielsweise als logisches Atom scheint(sonne) darstellen. In der Sprache der Prädikatenlogik werden
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
5 Logische Programmierung
5 Logische Programmierung Logik wird als Programmiersprache benutzt Der logische Ansatz zu Programmierung ist (sowie der funktionale) deklarativ; Programme können mit Hilfe zweier abstrakten, maschinen-unabhängigen
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend
Standardisierte Vorgehensweisen und Regeln zur Gewährleistung von: Eindeutigkeit Schlussfolgerungen aus empirischen Befunden sind nur dann zwingend oder eindeutig, wenn keine alternativen Interpretationsmöglichkeiten
Modellbasierte Diagnosesysteme
Modellbasierte Diagnosesysteme Diagnose: Identifikation eines vorliegenden Fehlers (Krankheit) auf der Basis von Beobachtungen (Symptomen) und Hintergrundwissen über das System 2 Arten von Diagnosesystemen:
Was bisher geschah. Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose)
Was bisher geschah Klassifikation: Zuordnung Merkmal (Symptom) Lösung (Diagnose) M Menge aller Merkmale L Menge aller Lösungen Zuordnung als Relation R M L Zuordnung als Funktion f : M L {0, 1} (charakteristische
Wissen Konstrukt oder Rekonstruktion der Popperschen Welt 1? oder Warum sich die ISKO in International Society for Knowledge self-organization
Wissen Konstrukt oder Rekonstruktion der Popperschen Welt 1? oder Warum sich die ISKO in International Society for Knowledge self-organization umbenennen sollte. Walther Umstätter Humboldt-Universität
7 Gültigkeit und logische Form von Argumenten
7 Gültigkeit und logische Form von Argumenten Zwischenresümee 1. Logik ist ein grundlegender Teil der Lehre vom richtigen Argumentieren. 2. Speziell geht es der Logik um einen spezifischen Aspekt der Güte
Seminar: Theorien induktiven und deduktiven Denkens aus KI und Psychologie
Seminar: Theorien induktiven und deduktiven Denkens aus KI und Psychologie Gregory Kuhnmuench Marco Ragni Stefan Wölfl Bernhard Nebel Abt. Kognitionswissenschaft AG Grundlagen der Künstlichen Intelligenz
WP2. Communication and Dissemination. Wirtschafts- und Wissenschaftsförderung im Freistaat Thüringen
WP2 Communication and Dissemination Europa Programm Center Im Freistaat Thüringen In Trägerschaft des TIAW e. V. 1 GOALS for WP2: Knowledge information about CHAMPIONS and its content Direct communication
Einführung in die Linguistik, Teil 4
Einführung in die Linguistik, Teil 4 Menschliche Sprachverarbeitung im Rahmen der Kognitionswissenschaft Markus Bader, Frans Plank, Henning Reetz, Björn Wiemer Einführung in die Linguistik, Teil 4 p. 1/19
Vorsemesterkurs Informatik
Vorsemesterkurs Informatik Vorsemesterkurs Informatik Mario Holldack WS2015/16 30. September 2015 Vorsemesterkurs Informatik 1 Einleitung 2 Aussagenlogik 3 Mengen Vorsemesterkurs Informatik > Einleitung
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
Neuronale Kodierung sensorischer Reize. Computational Neuroscience Jutta Kretzberg
Neuronale Kodierung sensorischer Reize Computational Neuroscience 30.10.2006 Jutta Kretzberg (Vorläufiges) Vorlesungsprogramm 23.10.06!! Motivation 30.10.06!! Neuronale Kodierung sensorischer Reize 06.11.06!!
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
Complex Event Processing
[10] Armin Steudte HAW Hamburg Masterstudiengang Informatik - WS 2011/2012 Agenda Motivation Grundlagen Event Processing Networks Ausblick Quellen 2 Agenda Motivation Grundlagen Event Processing Networks
English grammar BLOCK F:
Grammatik der englischen Sprache UNIT 24 2. Klasse Seite 1 von 13 English grammar BLOCK F: UNIT 21 Say it more politely Kennzeichen der Modalverben May and can Adverbs of manner Irregular adverbs Synonyms
Weitere Beweistechniken und aussagenlogische Modellierung
Weitere Beweistechniken und aussagenlogische Modellierung Vorlesung Logik in der Informatik, HU Berlin 2. Übungsstunde Aussagenlogische Modellierung Die Mensa versucht ständig, ihr Angebot an die Wünsche
Level 2 German, 2013
91126 911260 2SUPERVISOR S Level 2 German, 2013 91126 Demonstrate understanding of a variety of written and / or visual German text(s) on familiar matters 9.30 am Monday 11 November 2013 Credits: Five
Einführung in die Wissensverarbeitung und Data Mining
Einführung in die Wissensverarbeitung und Data Mining Peter Becker FH Bonn-Rhein-Sieg Fachbereich Angewandte Informatik!" $# Vorlesung Wintersemester 2001/02 1. Einführung Vorbemerkungen 1 Einführung Vorbemerkungen
Logisches und Widersprüchliches
Logisches und Widersprüchliches Manfred Dobrowolski Universität Würzburg Logisches und Widersprüchliches 1 Wahr oder falsch? 2 Antinomien 3 Logik-Rätsel 4 Paradoxien 5 Die Umkehr der Höflichkeit Aussagen
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
Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015
Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center
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
Einführung in die mathematische Logik
roseminar Maschinelles Beweisen SS 2000 Einführung in die mathematische Logik Ein Crashkurs über die Grundlagen wichtiger Logiken und Beweiskalküle Uwe Bubeck 13. Juli 2000 Logik-1 Einführung in die mathematische
Brand Book Status: 07.2014
Brand Book Einleitung/ Introduction In diesem Dokument finden Sie alle notwendigen Grundelemente und Vorgaben zur Verwendung der giropay Gestaltungselemente. Diese sind zum Download hinterlegt auf: http://www.giropay.de/fuer-haendler/werbemittel.html
Rough copy for the art project >hardware/software< of the imbenge-dreamhouse artist Nele Ströbel.
Rough copy for the art project >hardware/software< of the imbenge-dreamhouse artist. Title >hardware/software< This art project reflects different aspects of work and its meaning for human kind in our
Rhetorik und Argumentationstheorie.
Rhetorik und Argumentationstheorie 2 [frederik.gierlinger@univie.ac.at] Teil 2 Was ist ein Beweis? 2 Wichtige Grundlagen Tautologie nennt man eine zusammengesetzte Aussage, die wahr ist, unabhängig vom
Vorwort zur 1. Auflage Vorwort zur 5., überarbeiteten und erweiterten Auflage
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.....................
Algorithmen & Programmierung. Steuerstrukturen im Detail Selektion und Iteration
Algorithmen & Programmierung Steuerstrukturen im Detail Selektion und Iteration Selektion Selektion Vollständige einfache Selektion Wir kennen schon eine Möglichkeit, Selektionen in C zu formulieren: if
Modellierung von Non Player Chareacters
Modellierung von Non Player Chareacters Konzeption Künstlicher Charaktere Games Summer Camp 2006 Cindy Löther Inhalt 1 Einleitung 2 Definitionen 3 Non Player Characters (NPC) 4 Modellierung von NPCs 5
Logik und Missbrauch der Logik in der Alltagssprache
Logik und Missbrauch der Logik in der Alltagssprache Wie gewinnt man in Diskussionen? Carmen Kölbl SS 2004 Seminar: " Logik auf Abwegen: Irrglaube, Lüge, Täuschung" Übersicht logische Grundlagen Inferenzregeln
CNC ZUR STEUERUNG VON WERKZEUGMASCHINEN (GERMAN EDITION) BY TIM ROHR
(GERMAN EDITION) BY TIM ROHR READ ONLINE AND DOWNLOAD EBOOK : CNC ZUR STEUERUNG VON WERKZEUGMASCHINEN (GERMAN EDITION) BY TIM ROHR PDF Click button to download this ebook READ ONLINE AND DOWNLOAD CNC ZUR
There are 10 weeks this summer vacation the weeks beginning: June 23, June 30, July 7, July 14, July 21, Jul 28, Aug 4, Aug 11, Aug 18, Aug 25
Name: AP Deutsch Sommerpaket 2014 The AP German exam is designed to test your language proficiency your ability to use the German language to speak, listen, read and write. All the grammar concepts and
Vorwort 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
Formale Methoden 2. Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015
Formale Methoden 2 Gaetano Geck Lehrstuhl I Logik in der Informatik WS 2014/2015 Teil 3: Logik 1 Aussagenlogik Einleitung Eigenschaften Äquivalenz Folgerung Normalformen 2 Prädikatenlogik Wenn eine Karte