Maschinelles Lernen und Wissensbasierte Systeme: Systematische Einführung mit praxisorientierten Fallstudien (German Edition)

Trotz zahlreicher, auch industrieller Anwendungen ist der Entwurf von wissensbasierten Systemen oder Expertensystemen noch immer kein Routineprozeß. Dieses Buch zeigt, wie Techniken des maschinellen Lernens Entwicklung, Aufbau und Einsatz solcher Systeme wesentlich unterstützen können. Über den bekannten "Flaschenhals" der Wissensakquisition hinausgehend werden insbesondere auch die Wartung und die Revision einer Wissensbasis behandelt. Für jede dieser Phasen des Lebenszyklus einer Wissensbasis werden spezifische Verfahren des maschninellen Lernens beschrieben und an repräsentativen Beispielsystemen veranschaulicht. Dabei wird erstmals auch ein Verfahren zur automatischen Anpassung einer Wissensbasis an veränderte technologische Rahmenbedingungen des Anwendungsgebiets vorgestellt. Das Buch bietet einen umfassenden Überblick über den Stand der Technik und ein Methodenrepertoire zur direkten Anwendung. Es wendet sich damit an Wissenschaftler sowie an Entwickler wissensbasierter Systeme und Anwender maschineller Lernverfahren. Aufgrund seines systematischen Aufbaus ist es gleichermaßen auch als weiterführendes Lehrbuch geeignet. Net. Der Lebenszyklus Einer Wissensbasis Erweist Sieh Als Geeignetes Gliede Rungsprinzip, Anhand Des Sen Sich Die Darstellung Vorhandener Und Neuer Arbei Ten Strukturieren Und In Einen Groberen Kontext Einordnen Hibt. Damit Wird Dem Leser Ein Methodenrepertoire Filr Die Verschiedenen Phasen Des Lebenszyklus Einer Wissensbasis Zur Verfilgung Gestellt. Jeder Phase Ist Ein Eigenes Kapitel Gewidmet, In Dem Der Stand Der Technik Im Bereich Des Maschinellen Lernens Dargestellt Wird. Auberdem Wird Gezeigt, Welche Unterschiedlichen Anforderun Gen An Maschinelle Lernsysteme For Die Verschiedenen Phasen Bestehen. Urn Den Ohnehin Weit Gesteckten Thematischen Rahmen Nicht Zu Sprengen, Wer Den Schwerpunktmabig Ansatze Vorgestellt Und Diskutiert, Die Durch Eine Symbo Lische Reprasentation Und Verarbeitung Von Wissen Charakterisiert Sind. Lern Strategien, Die Numerische Reprasentationsformen Nutzen, Insbesondere Evolu Tionsstrategien [schwefel, 1981], Neuron Ale Netze [rosenblatt, 1958; Kosko, 1992] Und Fuzzy-systeme [zadeh, 1965; Reusch, 1994], Werden Hier Also Nieht Behandelt. Das System Leda I Zum Lernen Von Makrooperatoren Unterstiitzt Die Daten Pfadsynthese Innerhalb Des Entwurfs Integrierter Schaltungen. Dabei Wird Mit Dem Induktiv Gelernten Wissen Eine Funktionale Hardware-beschreibung In Eine Strukturelle Iibersetzt. Wahrend Herkommliche Arbeiten Zum Lernen Von Design-wissen Auf Makrooperatoren Filr Die Schrittweise Verfeinerung Der Eingegebenen Beschreibung Beschrankt Sind, Werden Bei Leda Erstmals Makrooperatoren Filr Den Machtigeren Transformationsansatz Akquiriert. Ferner Zeichnet Sich Leda Durch Eine Explizite Reprasentation Und Verar Beitung Von Optimierungszielen (objectives) Innerhalb Der Performanzkom Ponente Aus. Die Beriicksichtigung Solcher Ziele Ist Eine Unverziehtbare For Derung Filr Viele Komplexe Design-probleme. Leda Unterstiitzt Primae Die Phase Der Wissensbasiserweiterung Und Tragt Dariiber Hinaus Zu Den Phasen Wissensbasiseinsatz Und -initialisierung Bei. Front Matter....Pages I-VII Einleitung....Pages 1-4 Lebenszyklus einer Wissensbasis....Pages 5-14 Maschinelles Lernen....Pages 15-21 Wissensmodellierung....Pages 22-49 Wissensbasisinitialisierung....Pages 50-63 Wissensbasiseinsatz....Pages 64-71 Wissensbasiserweiterung....Pages 72-94 Wissensbasismodifikation....Pages 95-141 Globale Adaptierung der Wissensbasis....Pages 142-147 Multistrategiesysteme zur Unterstützung verschiedener Lebenszyklusphasen....Pages 148-244 Zusammenfassung und Ausblick....Pages 245-248 Back Matter....Pages 249-272