Dieses Buch präsentiert ein breites Spektrum aktueller Methoden zur Repräsentation und Verarbeitung (un)sicheren Wissens in maschinellen Systemen in didaktisch aufbereiteter Form. Neben symbolischen Ansätzen des nichtmonotonen Schließens (Default-Logik, hier konstruktiv und leicht verständlich mittels sog. Default-Bäume realisiert) werden auch ausführlich quantitative Methoden wie z.B. probabilistische Markov- und Bayes-Netze vorgestellt. Weitere Abschnitte beschäftigen sich mit Wissensdynamik (Truth Maintenance-Systeme), Aktionen und Planen, maschinellem Lernen, Data Mining und fallbasiertem Schließen.
In einem vertieften Querschnitt werden zentrale alternative Ansätze einer logikbasierten Wissensmodellierung ausführlich behandelt. Detailliert beschriebene Algorithmen geben dem Praktiker nützliche Hinweise zur Anwendung der vorgestellten Ansätze an die Hand, während fundiertes Hintergrundwissen ein tieferes Verständnis für die Besonderheiten der einzelnen Methoden vermittelt. Mit einer weitgehend vollständigen Darstellung des Stoffes und zahlreichen, in den Text integrierten Aufgaben ist das Buch für ein Selbststudium konzipiert, eignet sich aber gleichermaßen für eine entsprechende Vorlesung. Im Online-Service zu diesem Buch werden u.a. ausführliche Lösungshinweise zu allen Aufgaben des Buches angeboten.
Zahlreiche Beispiele mit medizinischem, biologischem, wirtschaftlichem und technischem Hintergrund illustrieren konkrete Anwendungsszenarien.

Aktuelles und vollständiges Lehrbuch

Autorentext

Prof. Dr. Christoph Beierle ist Diplom-Informatiker, danach Promotion in Informatik, sieben Jahre Industrietätigkeit und seit 1993 Universitätsprofessor für Praktische Informatik an der FernUniversität Hagen.
Dr. Gabriele Kern-Isberner ist Diplom-Mathematikerin, danach Promotion in Mathematik, Lise-Meitner-Stipendium, Habilitation in Informatik, Vertretung einer Universitätsprofessur am Fachbereich Informatik der FernUniversität Hagen.

Inhalt
1 Einleitung.- 1.1 Über dieses Buch.- 1.2 Themenbereiche des Buches.- 2 Wissensbasierte Systeme im Überblick.- 2.1 Beispiele für wissensbasierte Systeme.- 2.2 Wissensbasierte Systeme und Expertensysteme.- 2.3 Eigenschaften von Experten und Expertensystemen.- 2.4 Zur Geschichte wissensbasierter Systeme.- 2.5 Das medizinische Diagnosesystem MYCIN.- 2.6 Aufbau und Entwicklung wissensbasierter Systeme.- 3 Logikbasierte Wissensrepräsentation und Inferenz.- 3.1 Formen der Inferenz.- 3.2 Logische Systeme.- 3.3 Eigenschaften klassisch-logischer Systeme.- 3.4 Logische Grundlagen: Aussagenlogik.- 3.5 Logische Grundlagen: Prädikatenlogik 1. Stufe.- 3.6 Der Resolutionskalkül.- 3.7 Erweiterungen.- 3.8 Wie kommt der Delphin in den Karpfenteich?.- 4 Regelbasierte Systeme.- 4.1 Was sind Regeln?.- 4.2 Die Wissensbasis eines regelbasierten Systems.- 4.3 Inferenz in einem regelbasierten System.- 4.4 Das Problem der Widersprüchlichkeit.- 4.5 Die Erklärungskomponente.- 4.6 Signalsteuerung im Eisenbahnverkehr durch Regeln.- 4.7 MYCIN ein verallgemeinertes regelbasiertes System.- 4.8 Modularität und Effizienz regelbasierter Systeme.- 4.9 Ausblick.- 5 Maschinelles Lernen.- 5.1 Definition des Lernens.- 5.2 Klassifikation der Ansätze zum maschinellen Lernen.- 5.3 Erlernen von Entscheidungsbäumen.- 5.4 Lernen von Konzepten.- 5.5 Data Mining und Wissensfindung in Daten.- 6 Fallbasiertes Schließen.- 6.1 Motivation.- 6.2 Ein Beispiel.- 6.3 Fallbasiertes Schließen und CBR-Systeme.- 6.4 Der Prozess des fallbasierten Schließens.- 6.5 Die Repräsentation von Fällen.- 6.6 Die Indizierung von Fällen.- 6.7 Suche nach geeigneten Fällen.- 6.8 Organisationsformen der Fallbasis.- 6.9 Die Bestimmung der Ähnlichkeit.- 6.10 Adaption.- 6.11 Wie ein fallbasiertes System lernt.- 6.12 Einigeabschließende Bemerkungen.- 7 Nichtmonotones Schließen I Truth Maintenance-Systeme.- 7.1 Die Rolle des nichtmonotonen Schließens in der KI.- 7.2 Monotone vs. nichtmonotone Logik.- 7.3 Truth Maintenance-Systeme.- 7.4 Justification-based Truth Maintenance-Systeme JTMS.- 7.5 Assumption-based Truth Maintenance-Systeme ATMS.- 7.6 Verschiedene TMS im Vergleich.- 7.7 Ausblicke.- 8 Nichtmonotones Schließen II Default-Logiken.- 8.1 Default-Logik nach Reiter.- 8.2 Die Poole'sche Default-Logik.- 8.3 Nichtmonotone Inferenzrelationen für Default-Logiken.- 8.4 Probleme und Alternativen.- 8.5 Kriterien zur Beurteilung nicht-monotoner Inferenzoperationen.- 8.6 Rückblick.- 9 Aktionen und Planen.- 9.1 Planen in der Blockwelt.- 9.2 Logische Grundlagen des Planens.- 9.3 Der Situationskalkül.- 9.4 Probleme.- 9.5 Plangenerierung im Situationskalkül.- 9.6 Planen mit STRIPS.- 9.7 Nichklassische Planungssysteme.- 9.8 Planung und autonome Agenten.- 10 Quantitative Methoden I Probabilistische Netzwerke.- 10.1 Ungerichtete Graphen Markov-Netze.- 10.2 Gerichtete Graphen Bayessche Netze.- 10.3 Inferenz in probabilistischen Netzen.- 10.4 Bayessche Netzwerke in praktischen Anwendungen.- 10.5 Erlernen Bayesscher Netze aus Daten.- 10.6 Probabilistische Inferenz unter informationstheoretischen Aspekten.- 10.7 Weitere Anwendungen.- 11 Quantitative Methoden II Dempster-Shafer, Fuzzy & Co..- 11.1 Verallgemeinerte Wahrscheinlichkeitstheorie.- 11.2 Die Dempster-Shafer-Theorie.- 11.3 Fuzzy-Theorie und Possibilistik.- A Wahrscheinlichkeit und Information.- A.1 Die Wahrscheinlichkeit von Formeln.- A.2 Randverteilungen.- A.3 Bedingte Wahrscheinlichkeiten.- A.4 Der Satz von Bayes.- A.5 Mehrwertige Aussagenvariable.- A.6 Abhängigkeiten und Unabhängigkeiten.- A.7 DerBegriff der Information.- A.8 Entropie.- B Graphentheoretische Grundlagen.- B.1 Graphen und Cliquen.- B.2 Triangulierte Graphen.- B.3 Die running intersection property RIP.- B.4 Hypergraphen.