Neue Konzepte Flashcards
Eigenschaften biologisches Neuron
- Ein- & Ausgabe
- Gewichtung
- Reizschwelle
Modellansätze der KI
- Konnektionistischer Ansatz / Neuronaler Ansatz
2. Symbolischer Ansatz
Wissensbasis
- Abspeichern des Wissens in maschinenlesbarer Form
- Unterteilung:
1. Fallspezifisches Wissen
2. Bereichsbezogenes Wissen
3. Allgemeinwissen
Symbolischer / Wissensbasierter Ansatz Bestandteile
- Wissensbasis
- Wissensverarbeitungskomponente
- Benutzerschnittstelle
- Wissenserwerbskomponente
- Erklärungskomponente
Wissensverarbeitungskomponente
Dient dazu aufgrund der Eingabe und das in der Wissensbasis enthaltene Wissen und Schlussfolgerungen zu ziehen und darüber eine Ausgabe zu erzeugen
Benutzerschnittstelle
Dient der Interaktion zwischen den Anwender und dem Wissensbasierten System
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.
Erklärungskomponente
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
Ziel Wissensrepräsentation – Semantische Netze
Redundanzfreie Darstellung von Wissen
o Es sollen Beziehungen zwischen einzelnen Objekten dargestellt werden
o Es sollen den Objekten Eigenschaften zugeordnet werden
Wissensrepräsentation – Produktionsregeln
- Regeln: „Wenn…. (Prämisse) dann… (Konklusion)…“
- Fuzzy Logik
Wissensrepräsentation – Frames (Schema)
- DB-Struktur
- Instanziierung = Füllen der Slots mit Werten (Format, Länge des Feldes)
Wissensrepräsentation im Fuzzy Logik System
Alle Eingabe-, Ausgabe- und Zwischengrößen müssen als linguistische Variablen definiert werden
Fuzzy Logik Schritte
- Fuzzifizierung
- Inferenz
- Aggregation
- Implikation
- Akkumulation
- Defuzzifizierung
Entwicklungsphasen zur Erstellung eines Expertensystems
- Problembeschreibung
- Wissensquellen
- Design des Modells
- Entwicklungswerkzeuge
- Entwicklung eines Prototyps
- Testen des Prototyps
- Verfeinerung und Generalisierung
- Wartung und Pflege
Netztopologie
o Eingabeschicht (Input Layer) o Ausgabeschicht (Output Layer) o Verborgene / verdeckte Schicht (Hidden Layer)
Lernverfahren
- Überwachtes Lernen
2. Unüberwachtes Lernen
Symbolischer Ansatz
- Wissen in symbolischer Form
- Wissensverarbeitung anhand Symbolmanipulation
- Ein- & Ausgabe in symbolischer Form
- Kein Lernvorgang vorhanden
Konnektionistischer Ansatz / Neuronaler Ansatz
- mithilfe des Konnektionsimus können höhere konigtive Funktionen erzielt werden (Verknüpfung von Neuronen)
- Hat ein Lernverfahren
- Stärke der Neuronenverbindungen variieren
- Wissen wird beim Lernen in die Verbindungen/Gewichtungen codiert
- Abbildung der Eingabe- auf Ausgabemuster
Radius
In welchen Radius andere Neuronen korrigiert werden
Nachbarschaftsfunktion
Wie viel werden die Neuronen im Radius jeweils korrigiert (je weiter weg umso weniger)
Fuzzifizierung
Aus den scharfen Eingabewerten werden unscharfe Zugehörigkeitsgrade. Dazu ist es notwendig die Eingabegrößen als linguistische Variablen zu definieren
Inferenz
Die unscharfen Zugehörigkeitsgrade der Eingabemerkmale werden auf unscharfe Ausgabewerte der Zugehörigkeitsgrade der Ausgabegrößen abgebildet
Aggregation
Für jede Regel der Wissensbasis wird der Erfüllungsgrad (=Zugehörigkeitsgrad) der gesamten Prämisse aus dem Zugehörigkeitsgrad aus der Teilprämisse ermittelt
Implikation
Im Anschluss an die Aggregation wird der Erfüllungsgrad der gesamten Implikation (Regel) bestimmt
Akkumulation
Da mehrere Regeln zu gleichen Schlussfolgerungen kommen können, sind Regeln mit gleicher Schlussfolgerung zu einer einzigen Konklusion zusammenzufassen
Defuzzifizierung
Aus den unscharfen Zugehörigkeitsgraden der Ausgabemerkmale werden scharfe Ausgabewerte, die man zur Steuerung oder als Entscheidungskriterium genommen werden können
