Brainscape's Knowledge GenomeTM

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


See full index

6 Semester > Neue Konzepte > Flashcards

Neue Konzepte Flashcards

1
Q

Eigenschaften biologisches Neuron

A
  1. Ein- & Ausgabe
  2. Gewichtung
  3. Reizschwelle
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Modellansätze der KI

A
  1. Konnektionistischer Ansatz / Neuronaler Ansatz

2. Symbolischer Ansatz

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

Wissensbasis

A
  • Abspeichern des Wissens in maschinenlesbarer Form
  • Unterteilung:
    1. Fallspezifisches Wissen
    2. Bereichsbezogenes Wissen
    3. Allgemeinwissen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Symbolischer / Wissensbasierter Ansatz Bestandteile

A
  1. Wissensbasis
  2. Wissensverarbeitungskomponente
  3. Benutzerschnittstelle
  4. Wissenserwerbskomponente
  5. Erklärungskomponente
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Wissensverarbeitungskomponente

A

Dient dazu aufgrund der Eingabe und das in der Wissensbasis enthaltene Wissen und Schlussfolgerungen zu ziehen und darüber eine Ausgabe zu erzeugen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Benutzerschnittstelle

A

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
7
Q

Wissenserwerbskomponente

A

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
8
Q

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
9
Q

Ziel Wissensrepräsentation – Semantische Netze

A

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

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Wissensrepräsentation – Produktionsregeln

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

- Fuzzy Logik

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

Wissensrepräsentation – Frames (Schema)

A
  • DB-Struktur

- Instanziierung = Füllen der Slots mit Werten (Format, Länge des Feldes)

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

Wissensrepräsentation im Fuzzy Logik System

A

Alle Eingabe-, Ausgabe- und Zwischengrößen müssen als linguistische Variablen definiert werden

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Fuzzy Logik Schritte

A
  1. Fuzzifizierung
  2. Inferenz
    • Aggregation
    • Implikation
    • Akkumulation
  3. Defuzzifizierung
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Entwicklungsphasen zur Erstellung eines Expertensystems

A
  1. Problembeschreibung
  2. Wissensquellen
  3. Design des Modells
  4. Entwicklungswerkzeuge
  5. Entwicklung eines Prototyps
  6. Testen des Prototyps
  7. Verfeinerung und Generalisierung
  8. Wartung und Pflege
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Netztopologie

A 
o Eingabeschicht (Input Layer)
o Ausgabeschicht (Output Layer)
o Verborgene / verdeckte Schicht (Hidden Layer)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Lernverfahren

A
  1. Überwachtes Lernen

2. Unüberwachtes Lernen

17
Q

Symbolischer Ansatz

A
  • Wissen in symbolischer Form
  • Wissensverarbeitung anhand Symbolmanipulation
  • Ein- & Ausgabe in symbolischer Form
  • Kein Lernvorgang vorhanden
18
Q

Konnektionistischer Ansatz / Neuronaler Ansatz

A
  • 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
19
Q

Radius

A

In welchen Radius andere Neuronen korrigiert werden

20
Q

Nachbarschaftsfunktion

A

Wie viel werden die Neuronen im Radius jeweils korrigiert (je weiter weg umso weniger)

21
Q

Fuzzifizierung

A

Aus den scharfen Eingabewerten werden unscharfe Zugehörigkeitsgrade. Dazu ist es notwendig die Eingabegrößen als linguistische Variablen zu definieren

22
Q

Inferenz

A

Die unscharfen Zugehörigkeitsgrade der Eingabemerkmale werden auf unscharfe Ausgabewerte der Zugehörigkeitsgrade der Ausgabegrößen abgebildet

23
Q

Aggregation

A

Für jede Regel der Wissensbasis wird der Erfüllungsgrad (=Zugehörigkeitsgrad) der gesamten Prämisse aus dem Zugehörigkeitsgrad aus der Teilprämisse ermittelt

24
Q

Implikation

A

Im Anschluss an die Aggregation wird der Erfüllungsgrad der gesamten Implikation (Regel) bestimmt

25
Q

Akkumulation

A

Da mehrere Regeln zu gleichen Schlussfolgerungen kommen können, sind Regeln mit gleicher Schlussfolgerung zu einer einzigen Konklusion zusammenzufassen

26
Q

Defuzzifizierung

A

Aus den unscharfen Zugehörigkeitsgraden der Ausgabemerkmale werden scharfe Ausgabewerte, die man zur Steuerung oder als Entscheidungskriterium genommen werden können

6 Semester (6 decks)

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