Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

6. Semester DHBW > Neue Konzepte > Flashcards

Neue Konzepte Flashcards

1
Q

Eigenschaften biologisches Neuron

A
  1. Ein- & Ausgabe
    o 1 bis n Eingaben
    o 1 Ausgabe (Axon)
    o „Alles oder Nichts“ Ausgabe-Aktion
  2. Gewichtung
    o Verbindungsstelle zwischen feuernden und empfangenen Neuron besteht eine Gewichtung
    o Gewichtung = Anzahl der einkommenden Signale (Größe des Synaptischer Spalt)
  3. Reizschwelle
    o Überschreitet die Schwelle am Axonanfang öffnet sich der Kanal und das Neuron erzeugt einen Impuls
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Modellanstätze der KI

A
  • Konnektionistischer Ansatz / Neuronaler Ansatz

- Symbolischer Ansatz

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Konnenktionistischer Ansatz

A
  • Besitzt Perceptron
  • Mit Treppenfunktion
  • Konnektionismus (Verknüpfung)
    • Wie können höhere kognitive Funktionen erzielt werden, indem man einfache Grundbausteine von der Art der Neuronen verknüpft
  • Lernen
    • Stärke der Neuronenverbindung variieren (Gewichtung variieren, sodass die richtigen Ergebnisse entstehen; man muss wissen, was am Ende rauskommen soll)
  • Wissen
    • Wird während des Lernprozesses in die Neuronenverbindungen / Gewichtungen codiert
  • Wissensverarbeitung
    • Abbildung der Eingabe- auf ein Ausgabemuster (Ein- & Ausgabewerte sind Zahlenwerte)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Symbolischer Ansatz

A
  • Abstrahierung auf eine symbolische Ebene
  • Wissensbasierte / Expertensysteme

Abbildung 1 + 2

Symbole
- Zeichen mit einer Bedeutung und meistens auf etwas reales verweisen (Objekte der realen Welt)
- Vorstellungen:
o Eigenschaften / Merkmale (wieder anhand von Symbolen)
o Beziehungen zwischen Objekten
- Objekte können anhand signifikanter Eigenschafften zu Objektklassen zusammengefasst werden

Es gilt:

  • Wissen in symbolischer Form
  • Wissensverarbeitung anhand Symbolmanipulation
  • Ein- & Ausgabe in symbolischer Form
  • Kein Lernvorgang vorhanden
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - 1. Wissensbasis

A
  1. Wissensbasis
    - Abspeichern des Wissens in maschinenlesbarer Form
    - Unterteilung
    o Fallspezifisches Wissen
    ▪ Wissen bezieht sich auf einen konkreten Problemfall
    o Bereichsbezogenes Wissen
    ▪ Wissen bezieht sich auf den gesamten Bereich, den das Expertensystem bearbeiten soll; Erfahrungen abstrahiertes Wissen über Zusammenhänge zwischen den einzelnen Einflussgrößen
    o Allgemeinwissen
    ▪ Generelle Problemlösungsansätze / Optimierungsregeln / allgemeines Wissen über Objekte und deren Eigenschaften / Beziehungen in der realen Welt
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - 2. Wissensverarbeitungskomponente

A
  1. Wissensverarbeitungskomponente
    - Dient dazu, aufgrund der Eingabe und das in der Wissensbasis enthaltene Wissen, Schlussfolgerungen zu ziehen und darüber eine Ausgabe zu erzeugen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - 3. Benutzerschnittstelle

A
  1. Benutzerschnittstelle

- Dient der Interaktion zwischen den Anwender und dem Wissensbasierten System

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - 4. Wissenserwerbskomponente

A
  1. Wissenserwerbskomponente
    - Mit dieser Komponente soll die Wissensbasis gefüllt werden. Dies erfolgt über den Wissensingenieur, der die Aufgabe hat das Wissen zu recherchieren und in die sog. Repräsentationssprache der Wissensbasis zu übersetzen.
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - 5. Erklärungskomponente

A
  • Soll den Anwender erklären, wie aus der Eingabe die Ausgabe erzeugt wird
    o Welches Wissen aus der Wissensbasis wurde genutzt
    o Die aufgrund der Eingabe erfolgten Schlussfolgerungen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - Abbildung 1

A

Anwender mit Benutzerschnittstelle - Erklärungskomponente - Wissensverarbeitung - Wissenserwerbskomponente - basierend auf Wissenbasis - Datenquellen werden durch Knowledge Engineer in die Wissenserwerbskompinente übertragen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - Abbildung 2

A

Eingabe - Wissensverarbeitung mit Schlussfolgen, basierend auf Wissensbasis( Semantische Netzte, Produktionsregeln, Frames, Mathematische Logik), führt zur Ausgabe

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - Semantische Netze

A

Ziel:
- Redundanzfreie Darstellung von Wissen
o Es sollen Beziehungen zwischen einzelnen Objekten dargestellt werden
o Es sollen den Objekten Eigenschaften zugeordnet werden

Abbildung 3 - Baumstruktur mit isa und hasprop

  • Hierarchischer Aufbau
  • Eigenschaften werden vererbt
  • Konten und Kanten
    o isa-Kanten (Vererbung)
    o hasprop-Kanten (Eigenschaften)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - Produktionsregeln

A
  • Regeln: „Wenn…. (Prämisse) dann… (Konklusion)…“

- Fuzzy Logik

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - Frames (Schema)

A
  • DB-Struktur
  • Instanziierung = Füllen der Slots mit Werten (Format, Länge des Feldes)
  • Objekt Schema:
  • Objekt Merkmal_1 hat Slot / Leerstelle
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Expertensystem (Symbolischer / wissensbasierter Ansatz) - Mathematische Logik

A 
Umgangssprachliches Wissen 
Übersetzung
Prädikantenlogik, Fuzzy Logik
Realisierung
Systemumgebung (Betriebssysteme, Datenbanken, Programmiersprachen etc)

Präzises Wissen = Auto 50 km/h
Impräzises Wissen = Zwischen 50 und 70 kmh
Unsicheres Wissen = Regenwahrscheinlichkeit 50%
Wages Wissen = die Person ist groß

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Darstellung Fuzzy Logik

A

Modell eines Expertensystems zur Beurteilung der Kreditwürdigkeit einer Firma (Informationsquelle: Wirtschaftsauskünfte)

Eingabe (Wie Alter / Zahlweise)
Multivariates Verfahren (Fuzzy Logik (Expertensystem))
Ausgabe (Wie Kreditwürdigkeit)

17
Q

Fuzzy Logik - Zielsetzung

A
  • Nachbildung der Arbeit der Kreditprüfer
  • Verarbeitung von Wissen der Kreditprüfer, das in umgangssprachlicher Form vorliegt
  • Simultane Betrachtung mehrere Merkmale (keine sequentielle Prüfung)
  • Gegenseite Kompensation einzelner Merkmale möglich
18
Q

Entwicklungsphasen zur Erstellung eines Expertensystems

A
  1. Problembeschreibung
  2. Wissensquellen
  3. Design des Models
  4. Entwicklungswerkzeug
  5. Entwicklung eines Prototypes
  6. Testen des Prototyps
  7. Verfeinerung und Generalisieurng
  8. Wartung und Pflege
19
Q

Entwicklungsphasen zur Erstellung eines Expertensystems -

1. Problembeschreibung

A

o Welche betriebliche Fragestellung soll das System behandeln bzw. welcher Unternehmensprozess soll unterstützt werden?
o Wie erfolgt die Einbettung in die fachlichen -bzw. in die IT-Prozesse?
o Was soll das System leisten? (Leistungsumfang)

20
Q

Entwicklungsphasen zur Erstellung eines Expertensystems - 2. Wissensquellen

A

o Welche Quellen stehen zur Verfügung?

o Sind die Quellen ausreichend?

21
Q

Entwicklungsphasen zur Erstellung eines Expertensystems - 3. Design des Modells

A

o Wahl der Repräsentationssprache (linguistische Variablen; Produktionsregeln)
o Art der Wissensverarbeitung (Fuzzy Logik)
o Festlegen der Eingabemerkmale; Ausgabe- und evtl. Zwischengrößen
o Definition des Datenflusses zwischen den Größen
o Schnittstellen zu anderen Systemkomponenten

22
Q

Entwicklungsphasen zur Erstellung eines Expertensystems - 4. Entwicklungswerkzeuge

A

o Welche Entwicklungswerkzeuge stehen zur Verfügung?

23
Q

Entwicklungsphasen zur Erstellung eines Expertensystems - 5. Entwicklung eines Prototyps

A

o In Abhängigkeit von dem unter Punkt 3 getroffenen Entscheidungen werden erste Komponenten und Prozesse realisiert

24
Q

Entwicklungsphasen zur Erstellung eines Expertensystems - 6. Testen des Prototyps

A

o Zeigt das System das richtige Eingabe- / Ausgabeverhältnis, d.h. zieht das System die gleichen Schlüsse wie der Experte?

25
Q

Entwicklungsphasen zur Erstellung eines Expertensystems - 7. Verfeinerung und Generalisierung

A

o Weitere Prozesse und Komponenten können installiert werden

26
Q

Entwicklungsphasen zur Erstellung eines Expertensystems - 8. Wartung und Pflege

A

o Neues Wissen muss eingepflegt werden und falsches Wissen korrigiert werden
o Bewertung und Regeln müssen an veränderte Situationen angepasst werden
o Systemparameter können sich ändern
o Die Einschätzung der Experten kann sich ändern
o Datenqualität kann sich ändern

27
Q

Neuronale Netzte - Kriterien zur Unterscheidung

A
  1. Netztopologie (Art der Verknüpfung der Neuronen)
  2. Aufbau der künstlichen (mathematischen) Neuronen
  3. Eingabe- / Ausgabewerte
  4. Lernverfahren
28
Q

Neuronale Netzte - Netztopogolie

A

Schichten:
o Eingabeschicht (Input Layer)
o Ausgabeschicht (Output Layer)
o Verborgene / verdeckte Schicht (Hidden Layer)
Arten des Informationsflusses:
- Vorwärtsgerichtet
(feedforward)
Informationsfluss erfolgt von Eingabe in Richtung der Ausgabe, indem die Information die nächstgelegene Schicht Richtung Ausgabe weitergegeben wird
- Rückwärtsgerichtet (feedback) Ausgabe eins Neurons der Eingabe in ein Neuron einer rückwärtigen Schicht
- Lateral
Ausgabe eines Neurons bildet die Eingabe für ein Neuron der gleichen Schicht
- Rekursiv Ausgabe eines Neurons ist gleichzeitig seine Eingabe

Eingabe x 1 - n - Eingabeschicht
Verborgene Schichten
Ausgabeschichten

29
Q

Neuronale Netzte - 2. Aufbau der mathematischen Neuronen

A

o Wahl der Aggregationsfunktion bzw. Aktivierungsfunktion

30
Q

Neuronale Netzte - 3. Eingabe- / Ausgabewerte

A

o Binär 0 oder 1

o Kontinuierlich im Intervall [0; 1]

31
Q

Neuronale Netzte - 4. Lernverfahren

A

o Überwachtes Lernen
▪ Abweichung zwischen Soll- und Ist-Ausgabe bildet ein Maß für den Fehler des Netzes
▪ Diesen Fehler gilt es jetzt anhand eines Lernalgorithmusses (-verfahren) zu minimieren
o Unüberwachtes Lernen
▪ Verfahren orientiert sich nicht an ein Fehlermaß
▪ Algorithmus muss selbstständig Muster innerhalb der Eingabewerte erkennen

32
Q

Kohonennetz

A
  1. Initialisierung der Gewichtsvektoren innerhalb der Definitionsbereiche (Radius r und Lerfaktor)
  2. Zufällige Auswahl der Eingabe
  3. Bestimmten des max. erregten / aktiviertesten Neuron
  4. Korrektur der Neuronen (max errigierte und innerhalb des Radius) - je weiter weg im Radius, dann weniger korrigiert

6. Semester DHBW (4 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions