Benutzer-Werkzeuge
se:wissensverarbeitung
Unterschiede
Hier werden die Unterschiede zwischen zwei Versionen angezeigt.
| Beide Seiten der vorigen Revision Vorhergehende Überarbeitung Nächste Überarbeitung | Vorhergehende Überarbeitung | ||
|
se:wissensverarbeitung [2008-07-11 16:49] stefan |
se:wissensverarbeitung [2014-04-05 11:42] (aktuell) |
||
|---|---|---|---|
| Zeile 5: | Zeile 5: | ||
| ===== Lernziele ===== | ===== Lernziele ===== | ||
| - | - Kapitel 1 | + | - Einleitung |
| * Was bedeutet Wissensverarbeitung? | * Was bedeutet Wissensverarbeitung? | ||
| * Was unterscheidet Wissensverarbeitung von Datenverarbeitung? | * Was unterscheidet Wissensverarbeitung von Datenverarbeitung? | ||
| Zeile 11: | Zeile 11: | ||
| * Welche grundsätzlich unterschiedlichen Systeme gehören dazu? | * Welche grundsätzlich unterschiedlichen Systeme gehören dazu? | ||
| * Wie sind diese aufgebaut und wie arbeiten sie? | * Wie sind diese aufgebaut und wie arbeiten sie? | ||
| - | - Kapitel 2 | + | - Wissen |
| * Woraus besteht Wissen? | * Woraus besteht Wissen? | ||
| * Wie kann man Wissen strukturieren und darstellen? | * Wie kann man Wissen strukturieren und darstellen? | ||
| * Wie kann man Wissen in formalen Sprachen formulieren? | * Wie kann man Wissen in formalen Sprachen formulieren? | ||
| - | - Kapitel 3 | + | - Wie kann man mit Wissen Probleme lösen? |
| * Was ist ein Zustandsraum? | * Was ist ein Zustandsraum? | ||
| * Wie kann man daraus einen Zustandsbaum machen? | * Wie kann man daraus einen Zustandsbaum machen? | ||
| Zeile 23: | Zeile 23: | ||
| * Was ist ein UND-ODER-Baum? | * Was ist ein UND-ODER-Baum? | ||
| * Wie funktioniert Rekursion und warum ist sie für das Problemlösen wichtig? | * Wie funktioniert Rekursion und warum ist sie für das Problemlösen wichtig? | ||
| + | - Expertensysteme | ||
| + | * Aus welchen Komponenten ist ein Expertensystem aufgebaut? | ||
| + | * Wofür kann man es anwenden? | ||
| + | * Welche Arbeit muss dabei der Mensch übernehmen? | ||
| + | * Welche klassischen Beispiele gibt es? | ||
| + | * Warum sind Schachcomputer so schlecht? | ||
| + | * Was ist eine Inferenzmaschine? | ||
| + | * Wie kann man ein Expertensystem realisieren? | ||
| + | - Expertensystem-Implementierung in Prolog | ||
| + | * Wie kann Wissen verschiedener Art in Prolog formuliert werden? | ||
| + | * Welche inneren Vorgänge werden beim Bearbeiten eines Goals bearbeitet? | ||
| + | * Wie geht man mit Listen um? | ||
| + | * Wie erstellt man ein Prolog-Programm mit SWI-Prolog, bringt es zum Laufen und testet es? | ||
| + | * Wie nutzt man die Standardprädikate sinnvoll? | ||
| + | * Wie implementiert man ein Planungssystem in Prolog? | ||
| + | * Wie implementiert man ein Beratungs- oder Diagnosesystem in Prolog? | ||
| + | * Für welche anderen Aufgaben kann Prolog eingesetzt werden? | ||
| + | - Verarbeitung von ungenauem Wissen | ||
| + | * Wie können unscharfe (fuzzy) Mengen beschrieben werden? | ||
| + | * Wie werden Ausdrücke in Fuzzy Logic ausgewertet? | ||
| + | * Was ist das Ergebnis eines Fuzzy-Reglers bei gegebenen Eingangsgrößen? | ||
| + | * Wie kann man mit Prolog ein Fuzzy-System entwickeln? | ||
| + | - Künstliche Neuronale Netze | ||
| + | * Wie kann der Lernvorgang eines Neurons beschrieben werden? | ||
| + | * Wie kann das Schaltverhalten eines Neurons mit den Eingängen x1 und x2 in der x1/x2-Ebene dargestellt werden? | ||
| + | * Wie bemisst man aus einem gewünschten Schaltverhalten die Gewichte eines Neurons? | ||
| + | * Wie können Neuronen und verschiedene KNN skizziert werden? | ||
| + | * Wie wählt man zu einem gegebenen Problem ein geeignetes neuronales Netz aus und dimensioniert dieses? | ||
| + | * Wie kann der Lernvorgang einer SOM beschrieben werden? | ||
| + | - Data Mining | ||
| + | * Wofür braucht man Data Mining bzw. wo kann es eingesetzt werden? | ||
| + | * Was sind die wichtigsten Verfahren des Data Mining und wie funktionieren sie? | ||
| + | * Wie können diese Verfahren realisiert werden? | ||
| + | - Globale Optimierung | ||
| + | * Warum ist Optimierung so schwierig? | ||
| + | * Was sind die wichtigsten Verfahren der globalen Optimierung? | ||
| + | * Wie können diese Verfahren realisiert werden? | ||
| ===== Zusammenfassung des Skripts ===== | ===== Zusammenfassung des Skripts ===== | ||
| Zeile 88: | Zeile 125: | ||
| * Prädikat: Satzaussage | * Prädikat: Satzaussage | ||
| - | ==== Wie kann man mit Wissen Probleme lösen? ==== | + | ==== Wie kann man mit Wissen Probleme lösen? ==== |
| + | * Denkansätze | ||
| + | * Suche im Zustandsraum | ||
| + | * Problemreduktion | ||
| + | * Rekursion | ||
| + | * Vorwärts-/Rückwärtsverkettung (Forward/Backward Chaining) | ||
| + | * Suche im Zustandsraum | ||
| + | * Suche nach dem optimalen Weg durch einen gerichteten Graphen, der alle Zustände des Systems als Knoten und alle Operatoren als Kanten enthält | ||
| + | * Umwandlung in Zustands**baum** durch Verbieten bereits besuchter Zustände | ||
| + | * Suchverfahren | ||
| + | * Tiefensuche | ||
| + | * Backtracking | ||
| + | * Breitensuche | ||
| + | * Least-Cost-Suche | ||
| + | * Heuristische Suche / Best-First-Suche | ||
| + | * **A-Heuristik**: Heuristik (Schätzfunktion), die die Summe des bisherigen Aufwands mit einer Schätzung für den Restaufwand verbindet | ||
| + | * Problemreduktion | ||
| + | * Zerlegung des Problems in Teilprobleme, bis Teilprobleme direkt aus der Wissensbasis lösbar sind | ||
| + | * Darstellung als UND-ODER-Baum | ||
| + | * Auf ODER-Knoten können wieder die obigen Suchverfahren angewandt werden | ||
| + | * Rekursion | ||
| + | * Sonderfall der Problemreduktion | ||
| + | * Lösungsverfahren für Problem ist auch für Teilprobleme anwendbar | ||
| + | * Vorgehensweise | ||
| + | - Was ist der einfachste Sonderfall und was ist in diesem Fall zu tun? | ||
| + | - Was ist der nächst kompliziertere Fall und was ist dann zu tun? | ||
| + | - Was ist der nächst kompliziertere Fall und wie kann dieser auf den vorherigen abgebildet werden? | ||
| + | - Welches ist der allgemeine Fall und wie kann dieser auf den vorherigen abgebildet werden? | ||
| + | - Lässt sich der zweite Fall ebenso auf den ersten zurückführen? | ||
| + | - Formulieren des Gesamtalgorithmus | ||
| + | |||
| + | ==== Expertensysteme ==== | ||
| + | * Definition: System, das nach Eingabe des Wissens eines Experten, Probleme aus dem Fachgebiet dieses Experten selbstständig lösen kann. | ||
| + | * Die Bestandteile des Systems können standardisiert werden. | ||
| + | * {{:se:aufbauexpertensystem.jpg|Aufbau eines Expertensystems}} | ||
| + | * Anwendungsbereiche | ||
| + | * Planungssysteme | ||
| + | * Diagnosesysteme | ||
| + | * Beratungssysteme | ||
| + | * Transformation von Informationen zu Wissen ist dem Menschen vorbehalten | ||
| + | |||
| + | ==== Expertensystem-Implementierung in Prolog ==== | ||
| + | * Prolog | ||
| + | * deklarative Programmiersprache | ||
| + | * Wissensdarstellung | ||
| + | * Prädikatenlogik | ||
| + | * Meta-Wissen: Problemlösungsverfahren | ||
| + | * Problemlösungsmechanismen | ||
| + | * Rückwärtsverkettung | ||
| + | * Rekursion | ||
| + | * Tiefen-/Breitensuche | ||
| + | * Backtracking | ||
| + | * Pattern Matching | ||
| + | * Unifikation von Variablen | ||
| + | * Syntax | ||
| + | * Variablen: großer Anfangsbuchstabe, Konstanten: kleiner Anfangsbuchstabe, anonyme Variable: _ | ||
| + | * Arity: Anzahl der Parameter eines Prädikats | ||
| + | * Goal ist eine Anfrage an das Programm | ||
| + | * Unifikation/Bindung von Variablen | ||
| + | * Box-Modell: call, redo, exit, fail | ||
| + | * **Standardprädikate** | ||
| + | * write, nl, writenl | ||
| + | * asserta, assertz, assert, retract, abolish | ||
| + | * fail, cut | ||
| + | * member, sort, msort, reverse, append | ||
| + | * findall | ||
| + | |||
| + | ==== Verarbeitung von ungenauem Wissen ==== | ||
| + | * Unscharfe Mengen | ||
| + | * Die Zugehörigkeit eines Objekts zu einer Menge wird nicht mit wahr oder falsch, sondern mit einem Zugehörigkeitswert zwischen 0 und 1 beschrieben. | ||
| + | * Der Wertebereich einer linguistischen Variablen kann in linguistische Werte unterteilt werden. | ||
| + | * Die Zugehörigkeit eines numerischen Werts zu einem linguistischen Wert wird über eine Zugehörigkeitsfunktion (meistens Dreiecks- oder Trapezfunktionen) beschrieben. | ||
| + | * Die Umsetzung eines numerischen Wertes in einen oder mehrere linguistische Werte mit Zugehörigkeitswert wird **Fuzzyfikation** genannt. | ||
| + | * Fuzzy Logic | ||
| + | * x UND y -> minimum(x, y) | ||
| + | * x OR y -> maximum(x, y) | ||
| + | * not x -> 1 - x | ||
| + | * Expertensystem mit Fuzzy Logic | ||
| + | * OAW-Tripel werden zu VWZ-Tripeln | ||
| + | * Fuzzy Control | ||
| + | |||
| + | ==== Künstliche neuronale Netze ==== | ||
| + | * Das menschliche Gehirn besteht aus 10<sup>11</sup> Neuronen. | ||
| + | * {{:se:aufbauneuron.jpg|}} | ||
| + | * Vernetzung Synapse -> Axon | ||
| + | * Lernen beruht auf Änderung der Synapsenstärke | ||
| + | * Lerntypen | ||
| + | * überwacht: dem neuronalen Netz müssen auch die korrekten Antworten vorgegeben werden | ||
| + | * nicht überwacht: das Netz lernt selbstständig die ihm angebotenen Informationen zu unterscheiden | ||
| + | * Aufgaben: Klassifikation, Rekonstruktion und Erkennung von Mustern | ||
| + | * Aufgaben des Entwicklers | ||
| + | * Auswahl des geeigneten Netztyps und Konfiguration | ||
| + | * Aufbereitung der Muster | ||
| + | * Bereitstellen von Trainingsmaterial | ||
| + | * Perceptron | ||
| + | * Bildet eine n-dimensionale Eingangsinformation auf eine m-dimensionale Ausgangsinformation ab | ||
| + | * Ausgänge sind nicht rückgekoppelt -> Feed-Forward-Netz | ||
| + | * Lernen durch Anpassen der Eingangsgewichte mittels Soll-Ist-Vergleich -> überwachtes Lernen | ||
| + | * Hebb'sche Regel | ||
| + | * Wer Recht hat, wird gestärkt, wer Unrecht hat, wird geschwächt. | ||
| + | * Vereinfachte Lernregel: Wenn das Ergebnis falsch ist, wird (Sollergebnis * Eingangsvektor) zum Gewichtsvektor addiert. | ||
| + | * Grenzen | ||
| + | * Lineare Separierbarkeit -> RBF-Neuron oder Mehrschicht-Perceptron | ||
| + | * Mehrschicht-Perceptron | ||
| + | * verdeckte Schichten (Anzahl und Größe: Erfahrungswerte) | ||
| + | * Lernen durch Backpropagation | ||
| + | * Eignung: Klassifizierung von Mustern/Kurvenapproximation | ||
| + | * Hopfield-Netz | ||
| + | * rückgekoppeltes Perceptron | ||
| + | * Eignung: Rekonstruktion von Mustern | ||
| + | * Kohonen-Netz (SOM = Self Organizing Map) | ||
| + | * nicht überwachtes Lernen | ||
| + | * die Neuronen, die am dichtesten am Eingangssignal liegen, werden in Richtung desselben verschoben | ||
| + | * Auswertung meist mit nachgelagertem Mehrschicht-Preceptron | ||
| + | |||
| + | ==== Data Mining ==== | ||
| + | * Ziel: Zusammenhänge und Auffälligkeiten in Datenbeständen finden | ||
| + | * Verfahren | ||
| + | * Clusteranalyse | ||
| + | * Cluster finden | ||
| + | * Least-Cost-Suche, dann Weg an längsten Wegen auftrennen | ||
| + | * Kohonennetz mit nachgeschaltetem Backpropagation-Netz | ||
| + | * Besonderheiten (Punkte außerhalb der Cluster) untersuchen | ||
| + | * Assoziationsanalyse | ||
| + | * Zeitreihenanalyse | ||
| + | |||
| + | ==== Globale Optimierung ==== | ||
| + | * Verfahren basieren auf zufälligen Änderungen und nicht auf zielgerichteten Algorithmen | ||
| + | * Stochastische Verfahren (pro Schritt eine neue Kombination: besser -> weiterverfolgen, schlechter -> vielleicht weiterverfolgen) | ||
| + | * Simulated Annealing (Wahrscheinlichkeit, dass schlechtere Kombination weiterverfolgt wird, wird langsam verringert) | ||
| + | * Sintflut-Verfahren (schlechtere Kombination wird weiterverfolgt, wenn sie besser ist als ein ansteigender Grenzwert) | ||
| + | * Threshold Accepting (schlechtere Kombination wird weiterverfolgt, wenn die Verschlechterung kleiner ist als ein abnehmender Grenzwert) | ||
| + | * Evolutionäre Verfahren (pro Schritt mehrere neue Kombinationen, Auswahl der besten hiervon) | ||
| + | * Evolutionsstrategien (Nachfolgeversionen werden durch Mutation der Vaterversion erzeugt) | ||
| + | * Genetische Algorithmen (Nachfolgeversionen werden durch Kombination des Elternpaares erzeugt) | ||
| + | * Variationen: Eltern werden in die neue Generation mit aufgenommen oder nicht, oder vergreisen | ||
| + | |||
| + | ===== ToDo ===== | ||
| + | * <del>Prolog-Aufgaben S. 45/46 und 49</del> | ||
| + | * <del>Beispielrechnung Defuzzyfikation S. 55</del> | ||
| + | * <del>Aufgaben S. 65/66</del> | ||
| + | * <del>Fuzzy-System S. 51</del> | ||
| + | * <del>Missionare/Kannibalen-Problem</del> | ||
| + | * <del>Praktikumsaufgaben</del> | ||
| + | * <del>Handlungsreisender S. 46</del> | ||
| + | * <del>"Ein ehrliches Strandvergnügen"</del> | ||
| + | * <del>Abenteurer, max. 4 Tagesrationen Nahrung, 5 Lager bis Ziel</del> | ||
| + | * <del>Beratungssystem mit Fuzzy Logic</del> | ||
| + | * <del>Klausur WS 05</del> | ||
| + | * <del>Klausur SS 07</del> | ||
| + | * <del>Optimierungsverfahren</del> | ||
| + | * <del>Kurvenapproximation durch Perceptrons</del> | ||
| + | * <del>Programm Beweisführung S. 23</del> | ||
| + | * <del>Typen von neuronalen Netzen (verteilt, vernetzt, rückgekoppelt etc.) S. 59</del> | ||
| + | * <del>Backpropagation (of error)</del> | ||
| + | * <del>Hopfield-Netz</del> | ||
| + | * <del>Minimax- und Alpha-Beta-Algorithmus</del> | ||
| + | * <del>Informationen zu Systemen: MYCIN, EMYCIN, PUFF, XCON, PROSPECTOR, MOVER, SHRDLU, Ham-RPM, ELIZA</del> | ||
| + | * <del>Expertensystemshells: NEXPERT Object, Smart Elements, KEE, EMYCIN, TWAICE</del> | ||
se/wissensverarbeitung.1215787775.txt.gz · Zuletzt geändert: 2014-04-05 11:42 (Externe Bearbeitung)
Seiten-Werkzeuge
Falls nicht anders bezeichnet, ist der Inhalt dieses Wikis unter der folgenden Lizenz veröffentlicht: CC Attribution-Noncommercial-Share Alike 4.0 International
