Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...

Weitere Magazine

Empfehlungen

Info

7 Konzeptbeschreibungssprachen In diesem Kapitel behandeln wir Ansätze zur Wissensrepräsentation und Wissensverarbeitung. Der Schwerpunkt liegt dabei auf sogenannten Beschreibungslogiken (Description Logics). Diese haben insbesondere den Vorteil, dass sie eine eindeutig definierte Semantik (innerhalb der Prädikatenlogik) besitzen und viele Inferenzmechanismen und - algorithmen existieren. Zunächst werden wir jedoch kurz auf die historische Entwicklung eingehen, und vorhergehende Ansätze der Semantischen Netze und sogenannter Frames betrachten. Im Anschluss beschäftigen wir uns eingehend mit den Beschreibungslogiken. 7.1 Ursprünge In diesem Abschnitt stellen wir kurz die (älteren) Formalismen der Semantischen Netze und Frames vor, aus denen (und deren Nachteile) die Beschreibungslogiken entwickelt. Wir geben hier keinen umfassenden Überblick über diese Ansätze (dafür sei auf entsprechende Literatur verwiesen), sondern der Abschnitt ist eher als kurzer Einblick zu sehen. 7.1.1 Semantische Netze Semantische Netze sind ein Formalismus zur Darstellung von Unterbeziehungen und Enthaltensseinsbeziehungen mittels (gerichteten) Graphen. Dabei sind Knoten markiert mit Konzepten, Eigenschaften, (tlw. auch Individuen) Gerichtete Kanten (Links) geben Beziehungen (Relationen) zwischen Konzepten an. Wesentliche Kanten sind Instanzbeziehungen (IS-A), Unterkonzeptbeziehungen (A- KIND-OF, AKO), Eigenschaften (Prop), Part-of, connected-to, ... M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13 Stand: 28. Januar 2013
7.1 Ursprünge Ein Beispiel ist das folgende Netz zu Tieren: schwarz IS-A Farbe has-prop Tier AKO Hund AKO Pferd AKO Collie IS-A Fury IS-A Lassie IS-A IS-A Fernsehstar Allerdings gibt es viele verschiedene Möglichkeiten und Notationen, je nach festgelegtem Formalismen. Besonderheiten der Semantischen Netze sind: • Repräsentieren von Beziehungen und Eigenschaften ist möglich. • Vererbung von Eigenschaften über AKO-links und über IS-A links, je nach Eigenschaft. Man kann mit semantischen Netzen auch logische Formeln darstellen: UND- Verzweigungen, ODER-Verzweigungen, Quantifizierte Ausdrückebei letzteren entsteht ein Problem der Eindeutigkeit und des Bindungsbereichs. 7.1.1.1 Operationen auf semantischen Netzen: • Anfragen der Form „Was kann fliegen?“können mittels Matching von Teilgraphen und Beschreibungen bzw. Angaben von Teilnetzen beantwortet werden. D.h. die Suche orientiert sich an bestimmten Knoten oder Kanten oder an ganzen Unterstrukturen. • Veränderung: Eintragung, Entfernen, Ändern von Kanten und Knoten. • Operation: Suche nach Verbindungswegen im Netz. Bemerkung 7.1.1. Probleme der semantischen Netze: M. Schmidt-Schauß & D. Sabel, Skript KI, WS 2012/13 217 Stand: 28. Januar 2013
Seite 1 und 2:
Einführung in die Methoden der Kü
Seite 3 und 4:
Inhaltsverzeichnis 2.1.4 Prozeduren
Seite 5 und 6:
Inhaltsverzeichnis 5.4.2.1 Lexikon
Seite 7 und 8:
1 Einleitung 1.1 Themen und Literat
Seite 9 und 10:
1.2 Was ist Künstliche Intelligenz
Seite 11 und 12:
1.2 Was ist Künstliche Intelligenz
Seite 13 und 14:
1.3 Philosophische Aspekte • Auto
Seite 15 und 16:
1.3 Philosophische Aspekte durch Ge
Seite 17 und 18:
1.4 KI-Paradigmen Die technische Hy
Seite 19 und 20:
1.5 Bemerkungen zur Geschichte zur
Seite 21 und 22:
1.6 Intelligente Agenten Agent Sens
Seite 23 und 24:
1.6 Intelligente Agenten • Die ak
Seite 25 und 26:
1.6 Intelligente Agenten Diese Besc
Seite 27 und 28:
2 Suchverfahren 2.1 Algorithmische
Seite 29 und 30:
2.1 Algorithmische Suche 1. Dame A-
Seite 31 und 32:
2.1 Algorithmische Suche kommt, und
Seite 33 und 34:
2.1 Algorithmische Suche 2.1.4 Proz
Seite 35 und 36:
2.1 Algorithmische Suche Beachte, d
Seite 37 und 38:
2.1 Algorithmische Suche bfs goal s
Seite 39 und 40:
2.1 Algorithmische Suche Bemerkung
Seite 41 und 42:
2.2 Informierte Suche, Heuristische
Seite 43 und 44:
Seite 45 und 46:
Seite 47 und 48:
2.3 A ∗ -Algorithmus • Baum-Suc
Seite 49 und 50:
2.3 A ∗ -Algorithmus Z S Rechnet
Seite 51 und 52:
2.3 A ∗ -Algorithmus Dabei gehen
Seite 53 und 54:
2.3 A ∗ -Algorithmus • Der Knot
Seite 55 und 56:
2.3 A ∗ -Algorithmus dann nennt m
Seite 57 und 58:
2.3 A ∗ -Algorithmus Beispiel 2.3
Seite 59 und 60:
2.4 Suche in Spielbäumen 2.4 Suche
Seite 61 und 62:
2.4 Suche in Spielbäumen Algorithm
Seite 63 und 64:
2.4 Suche in Spielbäumen baum ab e
Seite 65 und 66:
2.4 Suche in Spielbäumen 2.4.1 Alp
Seite 67 und 68:
2.4 Suche in Spielbäumen Suche die
Seite 69 und 70:
2.4 Suche in Spielbäumen Aktualisi
Seite 71 und 72:
2.4 Suche in Spielbäumen Im Falle
Seite 73 und 74:
2.4 Suche in Spielbäumen Allerding
Seite 75 und 76:
2.5 Evolutionäre (Genetische) Algo
Seite 77 und 78:
Seite 79 und 80:
Seite 81 und 82:
Seite 83 und 84:
Seite 85 und 86:
Seite 87 und 88:
3 Aussagenlogik In diesem Kapitel w
Seite 89 und 90:
3.1 Syntax und Semantik der Aussage
Seite 91 und 92:
3.2 Folgerungsbegriffe es keine bes
Seite 93 und 94:
3.3 Tautologien und einige einfache
Seite 95 und 96:
3.4 Normalformen sind, so dass Vert
Seite 97 und 98:
3.5 Lineare CNF Beispiel 3.4.7. ((A
Seite 99 und 100:
3.5 Lineare CNF Bemerkung 3.5.4. Se
Seite 101 und 102:
3.6 Resolution für Aussagenlogik o
Seite 103 und 104:
3.6 Resolution für Aussagenlogik T
Seite 105 und 106:
3.7 DPLL-Verfahren 3.6.1.3 Subsumti
Seite 107 und 108:
3.7 DPLL-Verfahren Das Entfernen de
Seite 109 und 110:
3.7 DPLL-Verfahren Dies ergibt eine
Seite 111 und 112:
3.7 DPLL-Verfahren höchstens einer
Seite 113 und 114:
3.7 DPLL-Verfahren [[-4,-8,-15,5,-1
Seite 115 und 116:
3.8 Modellierung von Problemen als
Seite 117 und 118:
3.8 Modellierung von Problemen als
Seite 119 und 120:
3.9 Tableaukalkül für Aussagenlog
Seite 121 und 122:
Seite 123 und 124:
Seite 125 und 126:
Seite 127 und 128:
4 Prädikatenlogik 4.1 Syntax und S
Seite 129 und 130:
4.1 Syntax und Semantik der Prädik
Seite 131 und 132:
Seite 133 und 134:
Seite 135 und 136:
Seite 137 und 138:
Seite 139 und 140:
4.2 Resolution oder in Mengenschrei
Seite 141 und 142:
4.2 Resolution Satz 4.2.3. Die Grun
Seite 143 und 144:
4.2 Resolution Die Operation auf ei
Seite 145 und 146:
4.2 Resolution 4.2.3 Unifikation Di
Seite 147 und 148:
4.2 Resolution f(s 1 , . . . , s n
Seite 149 und 150:
4.4 Löschregeln: Subsumtion, Tauto
Seite 151 und 152:
4.4 Löschregeln: Subsumtion, Tauto
Seite 153 und 154:
4.5 Optimierungen und Varianten der
Seite 155 und 156:
Seite 157 und 158:
Seite 159 und 160:
5.1 Von der Resolution zum Logische
Seite 161 und 162:
5.1 Von der Resolution zum Logische
Seite 163 und 164:
5.2 Semantik von Hornklauselprogram
Seite 165 und 166:
5.2 Semantik von Hornklauselprogram
Seite 167 und 168:
5.3 Implementierung logischer Progr
Seite 169 und 170:
5.3 Implementierung logischer Progr
Seite 171 und 172: 5.3 Implementierung logischer Progr
Seite 189 und 190: 5.4 Sprachverarbeitung und Parsen i
Seite 201 und 202: 6.1 Allens Zeitintervall-Logik A1:
Seite 203 und 204: 6.1 Allens Zeitintervall-Logik A
Seite 205 und 206: 6.2 Darstellung Allenscher Formeln
Seite 207 und 208: 6.3 Der Allensche Kalkül ≺ ≻ d
Seite 209 und 210: 6.3 Der Allensche Kalkül • A R A
Seite 211 und 212: 6.4 Untersuchungen zum Kalkül 6.4
Seite 213 und 214: 6.4 Untersuchungen zum Kalkül Algo
Seite 215 und 216: 6.5 Unvollständigkeiten des Allens
Seite 217 und 218: 6.6 Einge Analysen zur Implementier
Seite 219 und 220: 6.7 Komplexität Sei eine Instanz g
Seite 221: 6.8 Eine polynomielle und vollstän
Seite 225 und 226: 7.2 Attributive Konzeptbeschreibung
Seite 235 und 236: 7.3 T-Box und A-Box • SNOMED CT (
Seite 237 und 238: 7.3 T-Box und A-Box Da diese T-Box
Seite 239 und 240: 7.3 T-Box und A-Box Als Graph wobei
Seite 241 und 242: 7.3 T-Box und A-Box kommt aus Huhn
Seite 243 und 244: 7.3 T-Box und A-Box Dabei sind Pete
Seite 245 und 246: 7.3 T-Box und A-Box wobei a i Indiv
Seite 247 und 248: 7.4 Inferenzen in Beschreibungslogi
Seite 257 und 258: 7.5 Erweiterungen, weitere Frageste
Seite 259 und 260: 7.5 Erweiterungen, weitere Frageste
Seite 261 und 262: 7.6 OWL - Die Web Ontology Language
Seite 263 und 264: 7.6 OWL - Die Web Ontology Language
Seite 265 und 266: 8.1 Einführung: Maschinelles Lerne
Seite 267 und 268: 8.1 Einführung: Maschinelles Lerne
Seite 269 und 270: 8.2 Wahrscheinlichkeit und Entropie
Seite 271 und 272: 8.3 Lernen mit Entscheidungsbäumen
Seite 273 und 274:
8.3 Lernen mit Entscheidungsbäumen
Seite 275 und 276:
Seite 277 und 278:
Seite 279 und 280:
Seite 281:
LITERATUR Russell, S. J. & Norvig,
Alle anzeigen

Einführung in die Methoden der Künstlichen Intelligenz - Goethe ...

Erfolgreiche ePaper selbst erstellen

Template löschen?

Als Template speichern?