Maschinelles Lernen Und Wissensbasierte Systeme: Systematische Einführung Mit Praxisorientierten Fallstudien

ISBN-13: 9783540613022 / Niemiecki / Miękka / 1997 / 279 str.

Ja1/4rgen Herrmann

Opis

Trotz zahlreicher industrieller Anwendungen ist der Entwurf wissensbasierter Systeme noch immer kein Routineprozess. Dieses Buch zeigt, wie Techniken des maschinellen Lernens den gesamten Lebenszyklus einer Wissensbasis unterstutzen konnen. Fur jede Phase werden spezifische maschinelle Lernverfahren beschrieben. Dabei wird nicht nur der bekannte "Flaschenhals" der Wissensakquisition behandelt, sondern insbesondere auch die Wartung und die Revision einer Wissensbasis. Den einzelnen Aufgabenbereichen entsprechend werden verschiedene Ansatze maschinellen Lernens klassifiziert und anhand einiger Beispielsysteme genauer dargestellt. Das Buch wendet sich an Entwickler wissensbasierter Systeme und an Anwender maschineller Lernverfahren. Aufgrund seines didaktischen Aufbaus ist es auch als Lehrbuch geeignet."

Spis treści

1 Einleitung.- 2 Lebenszyklus einer Wissensbasis.- 2.1 Lebenszyklusmodelle für konventionelle Software-Systeme.- 2.2 Herkömmliche Lebenszyklusmodelle für wissensbasierte Systeme.- 2.3 Neue Phaseneinteilung für den Lebenszyklus einer Wissensbasis.- 2.4 Bedeutung der Wissensbasispflege.- 3 Maschinelles Lernen.- 3.1 Zum Begriff des maschinellen Lernens.- 3.2 Klassifikation maschineller Lernsysteme.- 3.3 Multistrategiesysteme.- 4 Wissensmodellierung.- 4.1 Wissensmodellierung für wissensbasierte Systeme.- 4.2 Wissensmodellierung für maschinelle Lernsysteme.- 4.3 Kooperative Wissensmodellierung mit dem Lernsystem MOBAL.- 4.4 Verfeinerung der Modellierung durch das Lernen neuer Deskriptoren.- 4.5 Automatische syntaktische Anpassung der Repräsentationssprachklasse.- 5 Wissensbasisinitialisierung.- 5.1 Wissensbasisinitialisierung als Phase.- 5.2 Lernen von Entscheidungsbäumen mit ID3.- 5.3 Lernen einer Menge von Hornklauseln mit FOIL.- 5.4 Bewertung des Einsatzes von maschinellem Lernen.- 6 Wissensbasiseinsatz.- 6.1 Wissensbasiseinsatz und integrierte Lernarchitekturen.- 6.2 Verschiedene Möglichkeiten der Integration von Lernen und Problemlösen.- 6.3 Entwurf und Repräsentation integrierter Lernarchitekturen.- 7 Wissensbasiserweiterung.- 7.1 Wissensbasiserweiterung als Phase.- 7.2 Maschinelle Lernsysteme zur Erweiterung einer Wissensbasis.- 7.3 Generieren und Testen von Regeln zur Erweiterung einer unvollständigen Theorie.- 7.4 LEDA: Induktives Lernen von Makrooperatoren.- 7.5 Erklärungsbasiertes Lernen.- 7.6 Fallbasiertes Lernen.- 7.7 Entdeckungslernen in Datenbanken.- 7.8 Schlußbemerkungen.- 8 Wissensbasismodifikation.- 8.1 Wissensbasismodifikation als Phase.- 8.2 Verifikation und Validierung von Wissensbasen.- 8.3 Beseitigung von Fehlern, Inkonsistenzen und von Unvollständigkeit.- 8.3.1 Verfeinerung einer Wissensbasis.- 8.3.2 Revision einer Wissensbasis.- 8.3.3 Weitere Ansätze zur Beseitigung von Fehlern, Inkonsistenzen und von Unvollständigkeit.- 8.4 Restrukturierung einer Wissensbasis zur Verbesserung der Verständlichkeit.- 8.5 Verbesserung der Problemlösungsgeschwindigkeit.- 8.6 Optimierung einer Wissensbasis zur Qualitätsverbesserung der Ergebnisse.- 8.6.1 LEO: Optimierung von Fuzzy-Controllern.- 8.7 Abschließende Bemerkungen.- 9 Globale Adaptierung der Wissensbasis.- 9.1 Globale Adaptierung als Phase.- 9.2 Anforderungen an ein maschinelles Lernsystem für die globale Adaptierung.- 10 Multistrategiesysteme zur Unterstützung verschiedener Lebenszyklusphasen.- 10.1 Verwandte Arbeiten zum Multistrategielernen.- 10.1.1 PROTOS und KI.- 10.1.2 AKARS-1.- 10.1.3 WHY.- 10.1.4 MOBAL.- 10.2 COSIMA: Unterstützung verschiedener Lebenszyklusphasen für die Anwendung „komplexes Entwerfen“.- 10.2.1 Motivation für die Entwurfsentscheidungen.- 10.2.2 Wissensrepräsentation.- 10.2.3 Kombination verschiedener Lernstrategien.- 10.2.4 Selektive induktive Generalisierung mit dem mehrstufigen Abgleich.- 10.2.5 Selektive induktive Spezialisierung.- 10.2.6 Konstruktive Induktion.- 10.2.7 Justierung von Prädikatgewichten.- 10.2.8 Organisation als lernendes Assistenzsystem.- 10.2.9 Beitrag zu den verschiedenen Lebenszyklusphasen.- 10.2.10 Gründe für die gewählte Kombination von Lernstrategien.- 10.2.11 Vergleich mit anderen Werkzeugen für Floorplanning.- 10.2.12 Vergleich mit der Anwendung von MOBAL für das Floorplanning.- 10.2.13 Experimentelle Ergebnisse.- 10.2.14 Diskussion.- 10.3 LIMES: Umfassende Unterstützung des Lebenszyklus einer Wissensbasis.- 10.3.1 Abschätzungen — die unterstützte Problemklasse.- 10.3.2 Konzept des Abschätzers.- 10.3.3 Nichtinkrementelle Wissensbasisinitialisierung.- 10.3.4 Einsatz der Wissensbasis für die Abschätzung.- 10.3.5 Inkrementelle Erweiterung der Wissensbasis.- 10.3.6 Modifikation der Wissensbasis: Aufdecken und Beheben von Schwachstellen.- 10.3.7 Aktives Experimentieren.- 10.3.8 Globale Adaptierung der Wissensbasis.- 10.3.9 Globale Adaptierung als Prozeß der Identifikation im Grenzwert.- 10.3.10 Analyse des lernenden Abschätzers.- 10.3.11 Verwandte Arbeiten zu den verschiedenen Lernstrategien.- 10.3.12 Diskussion der Lebenszyklus-orientierten Integration von Lernstrategien.- 10.3.13 Abschließende Diskussion.- 11 Zusammenfassung und Ausblick.- Anhang 1: Logische Terminologie.- Anhang 2: Optimierungsprozeß zu einem Fuzzy-Controller für das invertierte Pendel.- Literatur.

Blurb

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.