Lexikon der Argumente


Philosophische Themen und wissenschaftliche Debatten
 
[englisch]

Screenshot Tabelle Begriffes

 

Finden Sie Gegenargumente, in dem Sie NameVs…. oder….VsName eingeben.

Erweiterte Suche:
Suchbegriff 1: Autor oder Begriff Suchbegriff 2:Autor oder Begriff


zusammen mit




Der gesuchte Begriff oder Autor findet sich in folgenden 3 Einträgen:
Begriff/
Autor/Ismus
Autor
Eintrag
Literatur
Beschreibungslogik KI-Forschung Norvig I 456
Beschreibungslogik/KI-Forschung/Russell/Norvig: Beschreibungslogiken sind Notationen, die es einfacher machen sollen, Definitionen und Eigenschaften von Kategorien zu beschreiben. Die wesentlichen Inferenzaufgaben für die Beschreibungslogik sind Subsumtion (überprüfen, ob eine Kategorie eine Teilmenge einer anderen ist durch Vergleich ihrer Definitionen) und Klassifizierung (überprüfen, ob ein Objekt zu einer Kategorie gehört).
Norvig I 456
VsBeschreibungslogik/Norvig: Entweder können schwere Probleme gar nicht festgestellt werden, oder sie erfordern exponentiell große Beschreibungen! ((s) Für eine Lösung siehe >Conceptional Space/Gärdenfors; >Semantic Web/Gärdenfors. (GärdenforsVsRussell, Stuart/GärdenforsVsNorvig)).
Norvig I 459
Begrenzung (Circumscription): Die Idee besteht darin, bestimmte Prädikate zu spezifizieren, die als "so falsch wie möglich" angenommen werden - das heißt, für jedes Objekt falsch, außer für diejenigen, für die sie als wahr bekannt sind. Angenommen, wir wollen die Standardregel, dass Vögel fliegen, durchsetzen. Wir würden ein Prädikat einführen, sagen wir Abnormal 1(x), und schreiben Vogel(x) ∧¬Abnormal 1(x) ⇒ Fliegt(x) . Wenn wir sagen, dass Abnormal 1 zu begrenzen ist, ist ein Circumscription Reasoner dazu berechtigt, von Abnormal 1(x) auszugehen, es sei denn, Abnormal 1(x) ist als wahr bekannt. Dies ermöglicht es, die Schlussfolgerung Fliegt(Tweety) aus der Prämisse Vogel(Tweety) zu ziehen, aber der Schluss gilt nicht mehr, wenn Abnormal 1 (Tweety) geltend gemacht wird. Beschränkung kann als Beispiel für eine modellhaften Präferenzlogik betrachtet werden. In solchen Logiken wird ein Satz (mit Standardstatus) impliziert, wenn er in allen bevorzugten Modellen der Wissensbasis wahr ist, im Gegensatz zur Forderung der Wahrheit in allen Modellen der klassischen Logik.
Norvig I 471
Die Entwicklung von Beschreibungslogiken ist der neueste Schritt in einer langen Reihe von Forschungsarbeiten, die darauf abzielen, nützliche Teilmengen der Logik erster Ordnung zu finden, für die die Inferenz rechnerisch nachvollziehbar ist. Hector Levesque und Ron Brachman (1987)(1) zeigten, dass bestimmte logische Konstrukte - insbesondere bestimmte Anwendungen von Disjunktion und Negation - in erster Linie für die Hartnäckigkeit logischer Inferenz verantwortlich sind. Aufbauend auf dem KL-ONE-System (Schmolze und Lipkis, 1983)(2) entwickelten mehrere Forscher Systeme, die die theoretische Komplexitätsanalyse integrieren, allen voran KRYPTON (Brachman et al., 1983)(3) und Classic (Borgida et al., 1989)(4). Das Ergebnis war eine deutliche Erhöhung der Geschwindigkeit der Inferenz und ein viel besseres Verständnis der Interaktion zwischen Komplexität und Expressivität in reasoning systems. Calvanese et al. (1999)(5) fassen den aktuellen Stand zusammen, und Baader et al. (2007)(6) präsentieren ein umfassendes Handbuch der Beschreibungslogik. Gegen diesen Trend haben Doyle und Patil (1991)(7) argumentiert, dass die Einschränkung der Expressivität einer Sprache entweder die Lösung bestimmter Probleme unmöglich macht oder den Benutzer ermutigt, die Sprachbeschränkungen mit unlogischen Mitteln zu umgehen. >Inferenz/KI-Forschung.


1. Levesque, H. J. and Brachman, R. J. (1987). Expressiveness and tractability in knowledge representation and reasoning. Computational Intelligence, 3(2), 78–93.
2. Schmolze, J. G. and Lipkis, T. A. (1983). Classification in the KL-ONE representation system. In
IJCAI-83, pp. 330–332.
3. Brachman, R. J., Fikes, R. E., and Levesque, H. J. (1983). Krypton: A functional approach to knowledge representation. Computer, 16(10), 67–73.
4. Borgida, A., Brachman, R. J., McGuinness, D., and Alperin Resnick, L. (1989). CLASSIC: A structural data model for objects. SIGMOD Record, 18(2), 58-67.
5. Calvanese, D., Lenzerini, M., and Nardi, D. (1999). Unifying class-based representation formalisms. JAIR, 11, 199–240
6. Baader, F., Calvanese, D., McGuinness, D., Nardi, D., and Patel-Schneider, P. (2007). The Description
Logic Handbook (2nd edition). Cambridge University Press.
7. Doyle, J. and Patil, R. (1991). Two theses of knowledge representation: Language restrictions, taxonomic classification, and the utility of representation services. AIJ, 48(3), 261–297.

Norvig I
Peter Norvig
Stuart J. Russell
Artificial Intelligence: A Modern Approach Upper Saddle River, NJ 2010
Kategorien KI-Forschung Norvig I 440
Kategorien/KI-Forschung/Norvig/Russell: Die Organisation von Objekten in Kategorien ist ein wesentlicher Bestandteil der Wissensrepräsentation. Obwohl die Interaktion mit der Welt auf der Ebene der einzelnen Objekte stattfindet, finden viele Schlussfolgerungen auf der Ebene der Kategorien statt. Kategorien dienen auch dazu, Vorhersagen über Objekte zu treffen, sobald sie klassifiziert sind. Man leitet das Vorhandensein bestimmter Objekte aus dem Wahrnehmungsinput ab, leitet die Kategoriezugehörigkeit aus den wahrgenommenen Eigenschaften der Objekte ab und verwendet dann Information über Kategorien, um Vorhersagen über die Objekte zu treffen. >Wissensrepräsentation/Norvig, >Ontologie/KI-Forschung. Es gibt zwei Möglichkeiten, Kategorien in der Logik erster Ordnung darzustellen: Prädikate und Objekte.
Vererbung: Kategorien dienen der Organisation und Vereinfachung der Wissensbasis durch Vererbung. Wenn wir sagen, dass alle Instanzen der Kategorie Lebensmittel essbar sind, und wenn wir behaupten, dass Obst eine Unterklasse von Lebensmitteln ist und Äpfel eine Unterklasse von Obst ist, dann können wir daraus schließen, dass jeder Apfel essbar ist. Wir sagen, dass die einzelnen Äpfel die Eigenschaft der Essbarkeit erben, in diesem Fall von ihrer Zugehörigkeit zur Kategorie Lebensmittel.
Norvig I 454
Schlussfolgerungssysteme für Kategorien: a) Semantische Netzwerke: Verwenden Labels wie männlich/weiblich, "Mutter/Vater" etc. Die Notation des semantischen Netzwerks macht es einfach, eine Schlussfolgerung über Vererbung durchzuführen (...).
Norvig I 455
Vererbung: wird kompliziert, wenn ein Objekt zu mehr als einer Kategorie gehören kann oder wenn eine Kategorie eine Teilmenge von mehr als einer anderen Kategorie sein kann; dies wird als Mehrfachvererbung bezeichnet. In solchen Fällen kann der Vererbungsalgorithmus zwei oder mehr widersprüchliche Werte finden, die die Anfrage beantworten. Aus diesem Grund ist die Mehrfachvererbung in einigen objektorientierten Programmiersprachen (OOP), wie z.B. Java, die die Vererbung in einer Klassenhierarchie verwenden, verboten. Es ist in der Regel in semantischen Netzwerken erlaubt (...).
Norvig I 456
Beschreibungslogik: Beschreibungslogiken sind Notationen, die es einfacher machen sollen, Definitionen und Eigenschaften von Kategorien zu beschreiben. Die wesentlichen Inferenzaufgaben für die Beschreibungslogik sind Subsumtion (überprüfen, ob eine Kategorie eine Teilmenge einer anderen ist durch Vergleich ihrer Definitionen) und Klassifizierung (überprüfen, ob ein Objekt zu einer Kategorie gehört).
Norvig I 456
VsBeschreibungslogik/Norvig: Entweder können schwere Probleme gar nicht festgestellt werden, oder sie erfordern exponentiell große Beschreibungen! ((s) Für eine Lösung siehe >Conceptual Space/Gärdenfors; >Semantic Web/Gärdenfors. (GärdenforsVsRussell, Stuart/GärdenforsVsNorvig). >Beschreibungslogik/KI-Forschung.

Norvig I
Peter Norvig
Stuart J. Russell
Artificial Intelligence: A Modern Approach Upper Saddle River, NJ 2010
Modelle Norvig Pariser I 213
Modelle/Norvig/Pariser: Norvig These: Alle Modelle sind falsch und man wird immer mehr ohne sie erfolgreich sein. (1) PariserVsNorvig: Maschninen können auch ohne Modelle Ergebnisse liefern, aber Menschen können sie ohne Modelle nicht begreifen.

1. Zitiert in: Chris Anderson, »The End of Theory: The Data Deluge Makes the Scientific Method Obsolete«, Wired, 23. 06. 2008, aufgerufen am 10. 02. 2010, http://www.wired.com/science/discoveries/magazine/16-07/pb_theory.

Norvig I
Peter Norvig
Stuart J. Russell
Artificial Intelligence: A Modern Approach Upper Saddle River, NJ 2010

Pariser I
Eli Pariser
The Filter Bubble: How the New Personalized Web Is Changing What We Read and How We Think London 2012