|
|
|
|
| LEADER |
05220nmm a2200373 u 4500 |
| 001 |
EB000647296 |
| 003 |
EBX01000000000000000500378 |
| 005 |
00000000000000.0 |
| 007 |
cr||||||||||||||||||||| |
| 008 |
140122 ||| ger |
| 020 |
|
|
|a 9783322929266
|
| 100 |
1 |
|
|a Beierle, Christoph
|
| 245 |
0 |
0 |
|a Methoden wissensbasierter Systeme
|h Elektronische Ressource
|b Grundlagen Algorithmen Anwendungen
|c von Christoph Beierle, Gabriele Kern-Isberner
|
| 250 |
|
|
|a 1st ed. 2000
|
| 260 |
|
|
|a Wiesbaden
|b Vieweg+Teubner Verlag
|c 2000, 2000
|
| 300 |
|
|
|a XIV, 408 S. 29 Abb., 1 Abb. in Farbe
|b online resource
|
| 505 |
0 |
|
|a 1 Einleitung -- 1.1 Über dieses Buch -- 1.2 Themenbereiche des Buches -- 2 Wissensbasierte Systeme im Überblick -- 2.1 Beispiele für wissensbasierte Systeme -- 2.2 Wissensbasierte Systeme und Expertensysteme -- 2.3 Eigenschaften von Experten und Expertensystemen -- 2.4 Zur Geschichte wissensbasierter Systeme -- 2.5 Das medizinische Diagnosesystem MYCIN -- 2.6 Aufbau und Entwicklung wissensbasierter Systeme -- 3 Logikbasierte Wissensrepräsentation und Inferenz -- 3.1 Formen der Inferenz -- 3.2 Logische Systeme -- 3.3 Eigenschaften klassisch-logischer Systeme -- 3.4 Logische Grundlagen: Aussagenlogik -- 3.5 Logische Grundlagen: Prädikatenlogik 1. Stufe -- 3.6 Der Resolutionskalkül -- 3.7 Erweiterungen -- 3.8 Wie kommt der Delphin in den Karpfenteich? -- 4 Regelbasierte Systeme -- 4.1 Was sind Regeln? -- 4.2 Die Wissensbasis eines regelbasierten Systems -- 4.3 Inferenz in einem regelbasierten System -- 4.4 Das Problem der Widersprüchlichkeit -- 4.5 Die Erklärungskomponente --
|
| 505 |
0 |
|
|a 10.3 Inferenz in probabilistischen Netzen -- 10.4 Bayessche Netzwerke in praktischen Anwendungen -- 10.5 Erlernen Bayesscher Netze aus Daten -- 10.6 Probabilistische Inferenz unter informationstheoretischen Aspekten -- 10.7 Weitere Anwendungen -- 11 Quantitative Methoden II — Dempster-Shafer, Fuzzy & Co. -- 11.1 Verallgemeinerte Wahrscheinlichkeitstheorie -- 11.2 Die Dempster-Shafer-Theorie -- 11.3 Fuzzy-Theorie und Possibilistik -- A Wahrscheinlichkeit und Information -- A.1 Die Wahrscheinlichkeit von Formeln -- A.2 Randverteilungen -- A.3 Bedingte Wahrscheinlichkeiten -- A.4 Der Satz von Bayes -- A.5 Mehrwertige Aussagenvariable -- A.6 Abhängigkeiten und Unabhängigkeiten -- A.7 DerBegriff der Information -- A.8 Entropie -- B Graphentheoretische Grundlagen -- B.1 Graphen und Cliquen -- B.2 Triangulierte Graphen -- B.3 Die running intersection property RIP -- B.4 Hypergraphen
|
| 505 |
0 |
|
|a 7.2 Monotone vs. nichtmonotone Logik -- 7.3 Truth Maintenance-Systeme -- 7.4 Justification-based Truth Maintenance-Systeme — JTMS -- 7.5 Assumption-based Truth Maintenance-Systeme — ATMS -- 7.6 Verschiedene TMS im Vergleich -- 7.7 Ausblicke -- 8 Nichtmonotones Schließen II — Default-Logiken -- 8.1 Default-Logik nach Reiter -- 8.2 Die Poole’sche Default-Logik -- 8.3 Nichtmonotone Inferenzrelationen für Default-Logiken -- 8.4 Probleme und Alternativen -- 8.5 Kriterien zur Beurteilung nicht-monotoner Inferenzoperationen -- 8.6 Rückblick -- 9 Aktionen und Planen -- 9.1 Planen in der Blockwelt -- 9.2 Logische Grundlagen des Planens -- 9.3 Der Situationskalkül -- 9.4 Probleme -- 9.5 Plangenerierung im Situationskalkül -- 9.6 Planen mit STRIPS -- 9.7 Nichklassische Planungssysteme -- 9.8 Planung und autonome Agenten -- 10 Quantitative Methoden I — Probabilistische Netzwerke -- 10.1 Ungerichtete Graphen — Markov-Netze -- 10.2 Gerichtete Graphen — Bayessche Netze --
|
| 505 |
0 |
|
|a 4.6 Signalsteuerung im Eisenbahnverkehr durch Regeln -- 4.7 MYCIN — ein verallgemeinertes regelbasiertes System -- 4.8 Modularität und Effizienz regelbasierter Systeme -- 4.9 Ausblick -- 5 Maschinelles Lernen -- 5.1 Definition des Lernens -- 5.2 Klassifikation der Ansätze zum maschinellen Lernen -- 5.3 Erlernen von Entscheidungsbäumen -- 5.4 Lernen von Konzepten -- 5.5 Data Mining und Wissensfindung in Daten -- 6 Fallbasiertes Schließen -- 6.1 Motivation -- 6.2 Ein Beispiel -- 6.3 Fallbasiertes Schließen und CBR-Systeme -- 6.4 Der Prozess des fallbasierten Schließens -- 6.5 Die Repräsentation von Fällen -- 6.6 Die Indizierung von Fällen -- 6.7 Suche nach geeigneten Fällen -- 6.8 Organisationsformen der Fallbasis -- 6.9 Die Bestimmung der Ähnlichkeit -- 6.10 Adaption -- 6.11 Wie ein fallbasiertes System lernt -- 6.12 Einigeabschließende Bemerkungen -- 7 Nichtmonotones Schließen I — Truth Maintenance-Systeme -- 7.1 Die Rolle des nichtmonotonen Schließens in der KI --
|
| 653 |
|
|
|a Programming Techniques
|
| 653 |
|
|
|a Computer science
|
| 653 |
|
|
|a Computer programming
|
| 653 |
|
|
|a Data mining
|
| 653 |
|
|
|a Data Mining and Knowledge Discovery
|
| 653 |
|
|
|a Theory of Computation
|
| 700 |
1 |
|
|a Kern-Isberner, Gabriele
|e [author]
|
| 041 |
0 |
7 |
|a ger
|2 ISO 639-2
|
| 989 |
|
|
|b SBA
|a Springer Book Archives -2004
|
| 490 |
0 |
|
|a Computational Intelligence
|
| 028 |
5 |
0 |
|a 10.1007/978-3-322-92926-6
|
| 856 |
4 |
0 |
|u https://doi.org/10.1007/978-3-322-92926-6?nosfx=y
|x Verlag
|3 Volltext
|
| 082 |
0 |
|
|a 005.11
|
| 520 |
|
|
|a Mit Online-Service unter http://www.fernuni-hagen.de/pi8/wbs! Alle Lösungen zum Buch kostenlos im Internet verfügbar
|