KI-Stichwortverzeichnis {a}s 36 1-Punkt-Kreuzung 121 2-Punkt Kreuzung 121 A A* 15 A*, iterativ 19 a-b-pruning 27 a-cut 82 Adaline 95 adaptive linear



Ähnliche Dokumente
verzeichnis Uwe Lämmel, Jürgen Cleve Künstliche Intelligenz ISBN: Weitere Informationen oder Bestellungen unter

Einführung in die Fuzzy Logic

Übersicht. 9. Schließen in der Prädikatenlogik 1. Stufe

Data Mining - Wiederholung

Moderne Methoden der KI: Maschinelles Lernen

Aussagenlogische Kalküle

Hannah Wester Juan Jose Gonzalez

SLD-Ableitungsbäume. G = B 1... B m. G die Menge aller SLD-Resolventen von G und definiten. G einen Nachfolger, der mit G markiert ist.

Kapitel 6: Logik. Teil 2. (Dieser Foliensatz basiert auf Material von Mirjam Minor, Humboldt- Universität Berlin, WS 2000/01)

Wissensbasierte Systeme

Logische Programmierung

Einführung in die Methoden der Künstlichen Intelligenz. Klausurvorbereitung Überblick, Fragen,...

Künstliche Intelligenz

Prolog basiert auf Prädikatenlogik

Wozu formale Logik? Programmiersprachen Logik im Fingerhut. Formeln. Logik im Fingerhut (24. Januar 2005) Belegung und Interpretation

Prof. Dr. sc. Hans-Dieter Burkhard Vorlesung Winter-Semester 2003/04. Wissensrepräsentation: Resolution (im PK1)

Wissensrepräsentation und -verarbeitung in Logiken. bereinigt Pränex Skolem ( -Eliminierung) Klausel (Menge von Klauseln, Notation ohne Quantoren)

Kurseinheit 1 Einführung und mathematische Grundlagen Aussagenlogik

Neuronale Netze. Gehirn: ca Neuronen. stark vernetzt. Schaltzeit ca. 1 ms (relativ langsam, vgl. Prozessor)

Grundlagen der Künstlichen Intelligenz

Zusammenfassung KI (von Marco Piroth)

Künstliche Intelligenz

Praktische Optimierung

3. Vorlesung Fuzzy Systeme

Übersicht. Künstliche Intelligenz: 3. Problemlösen durch Suche Frank Puppe 1

Lernende Vektorquantisierung

Wir haben in den vorherigen Kapiteln verschiedene Verfahren zur Regression und Klassifikation kennengelernt (z.b. lineare Regression, SVMs)

Klausur Grundlagen der Künstlichen Intelligenz

Zustandsraumsuche: Blinde und Heuristische Suche. Blinde und Heuristische Suche

Inhaltliche Planung für die Vorlesung

Informatik A. Prof. Dr. Norbert Fuhr auf Basis des Skripts von Prof. Dr. Wolfram Luther und der Folien von Peter Fankhauser

Neuronale Netze. Anna Wallner. 15. Mai 2007

Ein selbstmodellierendes System für die Wasserwirtschaft

Data Mining - Wiederholung

Eigenschaften der Resolution für PL1 Formeln

Einfacher Problemlösungsagent. Übersicht. Begriffsdefinitionen für Einfach-Probleme

Aufgabe 1 (Allgemeines)

Überwachtes Lernen II: Netze und Support-Vektor-Maschinen

Vorlesung: Künstliche Intelligenz

5.1 Inferenz. Theorie der Informatik. Theorie der Informatik. 5.1 Inferenz. 5.2 Resolutionskalkül. 5.3 Zusammenfassung. Inferenz: Motivation

Computational Intelligence 1 / 20. Computational Intelligence Künstliche Neuronale Netze Perzeptron 3 / 20

kurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.

Kapitel LF: IV. IV. Neuronale Netze

Wissensbasierte Systeme

Neuronale Netze (Konnektionismus)

3. Entscheidungsbäume. Verfahren zum Begriffslernen (Klassifikation) Beispiel: weiteres Beispiel: (aus Böhm 2003) (aus Morik 2002)

Neuronale Netze (Konnektionismus) Einführung in die KI. Beispiel-Aufgabe: Schrifterkennung. Biologisches Vorbild. Neuronale Netze.

Gedächtnisprotokoll Diplomprüfung Vertiefungsfach Wissenbasierte Systeme

Aussagenlogik Prädikatenlogik erster Stufe. Logik. Logik

Künstliche Intelligenz für Ingenieure

Deduktion in der Aussagenlogik. Semantische Folgerungsbeziehung. Zusammenhang zwischen semantischer und syntaktischer Folgerung

Deduktion in der Aussagenlogik

Neuronale Netze. Prof. Dr. Rudolf Kruse Christoph Doell, M.Sc.

Was ist Logik? Was ist Logik? Aussagenlogik. Wahrheitstabellen. Geschichte der Logik eng verknüpft mit Philosophie

Was bisher geschah. Aufgaben: Diagnose, Entscheidungsunterstützung Aufbau Komponenten und Funktion

Künstliche Intelligenz für Ingenieure

Vorlesung: Künstliche Intelligenz

Modellierungsmethoden der Informatik Kapitel 2: Logikkalküle

Was bisher geschah. Lernen: überwachtes Lernen. biologisches Vorbild neuronaler Netze: unüberwachtes Lernen

Grundlagen der Künstlichen Intelligenz

Ralf Möller, TUHH. Beim vorigen Mal: Heute: Prädikatenlogik: Algorithmus für Erfüllbarkeitsproblem. Lernziele: Beweisverfahren für Prädikatenlogik

Neuronale Netze. Christian Böhm.

Adaptive Systeme. Prof. Dr.-Ing. Heinz-Georg Fehn Prof. Dr. rer. nat. Nikolaus Wulff

Künstliche Intelligenz Logische Agenten & Resolution

Universität Koblenz-Landau Fachbereich Informatik Klausur Einführung in die Künstliche Intelligenz / WS 2003/2004. Jun.-Prof. Dr. B.

Resolution mit allgemeinsten Unifikatoren. Elternklausel 1: L, A 1,..., A m σ ist allgemeinster Unifikator

Neuronale Netze (Konnektionismus)

x 2 x 1 x Lernen mit Entscheidungsbäumen

Perzeptronen. Katrin Dust, Felix Oppermann Universität Oldenburg, FK II - Department für Informatik Vortrag im Rahmen des Proseminars 2004

Kapitel LF: IV. Multilayer-Perzeptrons und Backpropagation. Multilayer-Perzeptrons und Backpropagation. LF: IV Machine Learning c STEIN

Logische Folgerung. Definition 2.11

Cognitive Systems Master thesis

Entwicklung einer Entscheidungssystematik für Data- Mining-Verfahren zur Erhöhung der Planungsgüte in der Produktion

General Video Game AI Competition 2016

Grundlagen der Logik

Case-Based Reasoning und anderen Inferenzmechanismen

Prädikatenlogische Entscheidbarkeitsprobleme

Normalformen der Prädikatenlogik

kurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.

Künstliche neuronale Netze

Modellierungsmethoden der Informatik Kapitel 2: Logikkalküle

Adaptive Systeme. Einführung. Grundlagen. Modellierung. Prof. Rüdiger Brause WS Organisation. Einführung in adaptive Systeme B-AS-1, M-AS-1

Deduktion. Semantische Folgerungsbeziehung. Syntaktische Folgerungsbeziehung. Zusammenhang zwischen semantischer und syntaktischer Folgerung

Tableaukalkül für Aussagenlogik

Finanzmarktprognose mit neuronalen Netzen

wenn es regnet ist die Straße nass:

Gedächtnisprotokoll Diplomprüfung Praktische Informatik

Konzepte der AI Neuronale Netze

Selbstorganisierende Karten

Mustererkennung und Klassifikation

Ausarbeitung zum Hauptseminar Machine Learning

Der Sprung in die Zukunft! Einführung in neuronale Netzwerke

Neuronale Netze. Maschinelles Lernen. Michael Baumann. Universität Paderborn. Forschungsgruppe Wissensbasierte Systeme Prof. Dr.

Inductive Logic Programming Relational Data Mining

Logische und funktionale Programmierung

Fuzzy-Logik und Fuzzy-Control

Aussagenlogik. Formale Methoden der Informatik WiSe 2012/2013 teil 6, folie 1

Was bisher geschah Künstliche Neuronen: Mathematisches Modell und Funktionen: Eingabe-, Aktivierungs- Ausgabefunktion Boolesche oder reelle Ein-und

Transkript:

KI-Stichwortverzeichnis {a}s 36 1-Punkt-Kreuzung 121 2-Punkt Kreuzung 121 A A* 15 A*, iterativ 19 a-b-pruning 27 a-cut 82 Adaline 95 adaptive linear element 95 Ähnlichkeit 92 Aktionspotenzial 95 Aktivierungsfunktion 96 a-level-set 82 algebraisches Produkt 86 allgemeingültig 31 allgemeinster Unifikator 37 AND 98 Anfangszustand 6 ANFIS 128 Antwort-Generierung 45 Approximation, universell 105 äquivalent 31 a-schnitt 82 Atomare Formel 30 Attribute 64 Ausgabevariablen 96 Axonen 94 B Backpropagation Abb 8/12, 103 Backtracking-Suche 14 Batchmodus 101 Baum 7 Beam Search 23 beschränkte Differenz 86 beschränkte Summe 86 beschränktes Produkt 86 best-first Suchverfahren 15 Bewertungsfunktion 14 Bias 97 Bidirektionale Suche 23 Blätter 7 bottom-up 72 Branch-and-Bound Suche 23 Breadth-first search 13 Breitensuche 13 C Chromosomen 120 clause form 33 Cluster 109 Clustering-Prozeduren 109 Clustering-Verfahren 115 core 82

cross-over 121 Crossvalidierung 106 D data driven inference 57 Data Mining 115 datengetriebene Ableitung 57 Defuzzifizierung 90 Dendriten 94 Depth-first search 13 double-point crossover 121 Durchschnitt 84, 85 Dynamische Programmierung 22 E Effektoren 3 Eingabevariablen 95 elementare Zugriffsoperationen 62 element-von 60 Eliteprinzip 124 Endzustand 6 Entropie 83 Entropie 68f Entscheidungsbaum 64 Epochen 99 Erfülltheitsgrad von Regeln 89 Erkennungsrate 72 Euklidischer Abstand 93 expert system shells 53 Expertensysteme 51 Expertensysteme, Aufbau Abb 5/1, 5/2 Expertensystem-Schalen 53 F Fakten 54 Fehlerminimierung, iterativ 99, Abb 8/7 Fitness 120 Fitness-Funktion 120 folgt logisch 32 Funktionsymbole 29 Fuzzifizierung 88 fuzzy sets 78 G GA, allgemeine Form Abb 9/1, 122 Gauss-Funktion 107 Gene 120 Generalisierung 105 Generalisierung der Stichprobe 70 Gewicht 95 gleich 82 goal driven inference 56 Gradientenverfahren, iterativ 104 Graph 7 Greedy-Algorithmen 18 Greedy-Algorithmen 73 ground truth 114 Grundmenge 79

H hat-element 60 Häufungsgebiete 109 Height 82 heuristische Suche 14 Höhe 82 Horn-Klausel 47 hybrides system 127 Hyperebene 98 I Inferenz-Regel 32 Instanz 36 Interpretation einer wff 31 Interpreter, Beschreibung durch Resolutionsregel 48 Iterative Fehlerminimierung 99, Abb 8/7 Iteratives Gradientenverfahren 104 J K Kardinalität 82 Kardinalität, relativ 82 Karte, selbstorganisierend 115 Karte, topologisch 115 Kern 82 Kern 94 Klassen 64 Klausel-Form 33 k-means clustering Abb 8/22 k-means-algorithmus 110 Kognitive Psychologie 3 Kohonen-Algorithmus Abb 8/25 Kohonen-Netze 114 kompensatorische Operatoren 85 Komplement 84 Konfliktauflösung 57 Konfliktmenge 57 Konstantensymbole 29 Kontrollparameter 126 Korrektheit** 11 Kosten 7 Kovarianzmatrix 108 Kreuzung 121 künstliche intelligente Agenten 3 Künstliche Intelligenz 2 L label 114 learning vector quantization 116 leave-one-out 106 lernen 98 Lernen, überwacht 114 Lernen, unüberwacht 114 Lernrate 99 Lernstichprobe 72 linear threshold unit 95 Lineare Resolution 44

linguistische Variablen 87 Literal 30 Literal, positiv, negativ 47 Literal, rein 39 Logisches Programm 46 Logisches Programm, Abarbeitung 46 Logisches Programm, Interpreter 46 Lösung eines Problems, Def 6 Lösungspfad 8 LTU 95 LVQ 116 M Mamdani-Inferenz 91 Max-Min-Inferenz 90 Max-Prod-Inferenz 90 mehrschichtige vorwärtsgerichtete neuronale Netze 102 membership function 79 Mengen, scharf 79 Mengen, unscharf 78 Merkmalsvektor 115 Merkmalvektor** 63 Mittelwertvektor 108 Modifikatoren 87 Modus Ponens 32 monotone Bewertungsfunktion 17 most general 57 most specific 58 multilayer feedforward neural networks 102 Mutation 121 N Nachfolger 7 nächster-nachbar-regel 117 neuronale Netze, rekurrent 117 NOT 98 numerische Attribute 70 O obermenge-von 60 Offline-Modus 101 Online-Modus 101 Optimalität 11 OR 98 Overfitting 71 P partiell entscheidbar 32 Perzeptron Abb8/2, 95 Population 121 Prädikatenkalkül 0.Ordnung 30 Prädikatenkalkül 1. Ordnung 29 Prädikatensymbole 29 Problem, Def 6 proecdural attachement 62 PROLOG 50 Propositionskalkül 30 Prototyp-Vektor 117

Pruning 71 Q R RBFN 107 regelbasierte Programmierung 55 regelbasiertes System 54 Regeln 54 Regelsystem 54 Regelsystem, Erklärungskomponente 59 Regelsystem, monoton, nichtmonoton 58 Reinheit 68 rekurrente neuronale Netze 117 Resolutionsregel 32 Resolvente 33 Roboter 3 Rückwärtsableitung 56 rule based system 54 S Satz 30 scharfe Mengen 79 Schwellwertfunktion, hart begrenzt 96 Schwellwertfunktion, linear 96 selbstorganisierende Karte 115 semantische Netze 60 Sensoren 3 set of support 43 Sigmoid-Funktion 96 single-point crossover 121 Skolem-Funktionen 33 Softbots 3 Soma 94 Speicherkomplexität 11 Spezialisierung 32 Stichprobe 66 Strahlensuche 23 Stützmengen-Resolution 43 Substitutionen 35 Subsumptionen 42 subsymbolische Ebene 4 Suchgraph, explizit, implizit 11 Suchraum 8 Suchverfahren, Übersicht** 23 support 82 symbolische Ebene 4 Synapsen 95 System, hybrid 127 T Takagi-Sugeno 91 Takagi-Sugeno 128 Tautologien 40 TDNN 112 Teilmenge 82 teilmenge-von 60 Term 30

Teststichprobe 72 Tiefe 7 Tiefensuche 13 Tiefensuche, iterativ 19 top-down 72 topologische Karte 115 Träger 82 Trainingsstichprobe 72 Turing Test 3 Typen 64 U Übertrainieren 71 Übertrainieren 105, Abb 8/16 überwachtes Lernen 114 unerfüllbar 31 Unifikator 36 Unity Preference 44 universelle Approximation 105 unscharfe Mengen 78 unscharfes Schliessen 87 Unsicherheiten 92 unüberwachtes Lernen 114 V Validierungsstichprobe 72 Validierungsstichprobe 105 Variablen, gebunden, frei 30 Variablensymbole 29 Vektorquantisierung 116 Vereinigung 84, 85 Vererbungskonflikte 61 Vererbungsprinzip 61 Verzweigungsfaktor 7 vollständig 32 Vollständigkeit 11 Vorgänger 7 Vorgänger 33 Voronoi-Diagramm Abb 8/28, 117 Vorwärtsableitung 57 W wff 30 widerspruchsfrei 32 winner-take-all 104 wohlgeformte Formel (wff) 30 Wurzel 7 X Y Z Zeitkomplexität 11 Zellkörper 94 zielgetriebene Ableitung 56 Zugehörigkeitsfunktion 79, 80 Zugehörigkeitsgrad 80 Zugehörigkeitsgrad 88 Zulässigkeit 11

Zustand 6 Zustandsmenge 8 Zustandsraum 8 Zustandsübergänge 6