Aktion	Zweigstelle	Standorte	Status	Frist	Vorbestellungen
Vorbestellen	Zweigstelle: 07., Urban-Loritz-Pl. 2a	Standorte: NT.EIA Hand / College 6c - Informatik & Computer	Status: Verfügbar	Frist:	Vorbestellungen: 0

Das Handbuch der Künstlichen Intelligenz bietet die umfassendste deutschsprachige Übersicht über die Disziplin "Künstliche Intelligenz". Es vereinigt einführende und weiterführende Beiträge u.a. zu folgenden Themen: Kognition - Neuronale Netze - Suche, Constraints - Wissensrepräsentation - Logik und automatisches Beweisen - Unsicheres und vages Wissen - Wissen über Raum und Zeit - Modellbasierte Systeme - Maschinelles Lernen und Data Mining - Sprachverarbeitung - Bildverstehen - Robotik - Software-Agenten. Quelle: Verlagstext / Inhaltsverzeichnis:Vorwort / 1 Einleitung 1 / 1.1 Zum Begriff Künstliche Intelligenz . . 2 / 1.2 Die Entwicklung der KI . 4 / 1.3 Grundsätzliche Herangehensweisen . . 6 / 1.3.1 Symbolische Repräsentation - dieWissensebene . 6 / 1.3.2 Verteilung und Situiertheit 9 / 1.3.3 Nicht-SymbolischeAnsätze undMaschinelles Lernen . 11 / 1.3.4 Verkörperung (Embodiment) 12 / 1.4 Teilbereiche und Anwendungsgebiete der KI . 13 / Literaturverzeichnis 16 / I Grundlagen / 2 Kognition 21 / 2.1 Kognitionswissenschaft . 22 / 2.1.1 Charakterisierung und historische Entwicklung 22 / 2.1.2 Methoden kognitionswissenschaftlicher Forschung 24 / 2.2 Menschliche Kognition . . 34 / 2.2.1 Wahrnehmung, Aufmerksamkeit, Bewusstsein, Handlungskontrolle 35 / 2.2.2 Mentale Repräsentation, Begriffe undmentaleModelle 38 / 2.2.3 Gedächtnis und Lernen . . 39 / 2.2.4 Denken und Problemlösen 44 / 2.2.5 Soziale Kognition . . . 53 / 2.2.6 Sprache . 57 / 2.2.7 Schlusswort . 63 / Literaturverzeichnis 64 / 3 Suche 75 / 3.1 Problemlösen als Suche . 75 / 3.1.1 Problemrepräsentationmit Zuständen und Operatoren . 75 / X Inhaltsverzeichnis / 3.1.2 Generische Suche 78 / 3.1.3 Suchstrategien und deren Bewertung . 81 / 3.2 Uninformierte Suchverfahren 82 / 3.2.1 Breitensuche 82 / 3.2.2 Gleiche-Kosten-Suche 84 / 3.2.3 Tiefensuche . 85 / 3.2.4 Schrittweise vertiefende Suche 88 / 3.3 Heuristische Suche . . 89 / 3.3.1 Heuristische Schätzfunktionen 89 / 3.3.2 Suche mit schrittweiser lokaler Verbesserung . 91 / 3.3.3 Bestensuche 94 / Literaturverzeichnis 103 / 4 Wissensrepräsentation und -verarbeitung 105 / 4.1 Einleitung undMotivation 105 / 4.1.1 Wissen - wozu? . 105 / 4.1.2 Wissensformen . 106 / 4.1.3 Repräsentation . . 109 / 4.1.4 Wissensverarbeitung = Schlussfolgern 110 / 4.2 DeklarativeWissensrepräsentation 111 / 4.2.1 Wissensbasierte Systeme 111 / 4.2.2 Die Rolle der Logik . 113 / 4.2.3 Schlussfolgerungstypen . 114 / 4.3 Ein Beispiel: Beschreibungslogiken . . 115 / 4.3.1 Der Formalismus 115 / 4.3.2 Semantik 117 / 4.3.3 Inferenzdienste . 118 / 4.3.4 Inferenzalgorithmen . 119 / 4.3.5 Berechenbarkeitseigenschaften . . 123 / 4.3.6 Neuere Entwicklungen . . 125 / 4.4 Ausblick 126 / Literaturverzeichnis 127 / 5 Automatische Inferenz 129 / 5.1 Einleitung . . 129 / 5.2 Entwurf automatischer Inferenzsysteme . . 132 / 5.3 Prädikatenlogik erster Stufe . 134 / 5.4 Normalformen . . 137 / 5.5 Das DPLL Verfahren für die Aussagenlogik . . 142 / Inhaltsverzeichnis XI / 5.6 Aussagenlogische Resolution 145 / 5.6.1 Ein einfacher Resolutionskalkül . 146 / 5.6.2 A-geordnete Resolution . 149 / 5.6.3 Verfeinerungen des Resolutionsverfahrens 154 / 5.7 Kalküle für die Prädikatenlogik . . 154 / 5.7.1 Herbrand-Theorie 155 / 5.7.2 PrädikatenlogischeResolution 157 / 5.8 Weitere Betrachtungen . . 163 / Literaturverzeichnis 164 / II Theorie und Methoden / 6 Nichtmonotones Schließen 171 / 6.1 Einführung . 171 / 6.2 Formalisierungen nichtmonotonen Schließens 176 / 6.2.1 Default Logik 177 / 6.2.2 Autoepistemische Logik . 183 / 6.2.3 Zirkumskription . 185 / 6.3 Default-Schließen als Behandlung von Inkonsistenz . . 187 / 6.3.1 Ein Rahmen für nichtmonotone Systeme . 187 / 6.3.2 Pooles System . . 189 / 6.3.3 Zuverlässigkeitsstufen 191 / 6.4 Nichtmonotonie und Logikprogrammierung . . 193 / 6.4.1 StabileModelle . 194 / 6.4.2 Wohlfundierte Semantik . 195 / 6.4.3 Antwortmengenprogrammierung . 197 / 6.5 Argumentation . . 198 / 6.6 Ausblick 200 / Literaturverzeichnis 201 / 7 Constraints 205 / 7.1 Einführung . 205 / 7.2 Finite-Domain-Constraints . . 207 / 7.2.1 Constraint-Satisfaction-Probleme 207 / 7.2.2 Lokale und globale Konsistenz . . 209 / 7.2.3 Suchtechniken . . 212 / 7.2.4 Globale Constraints . 215 / 7.3 Constraint-basierte Programmierung . 220 / 7.3.1 Constraint-logische Programmierung . 221 / 7.3.2 Constraint-basierteModellierungssprachen 222 / XII Inhaltsverzeichnis / 7.3.3 Constraints als Objekte . . 223 / 7.3.4 Nebenläufige Constraint-Programmierung 224 / 7.4 Soft-Constraints . 225 / 7.5 Temporale Constraints . . 227 / 7.6 Zusammenfassung . . 229 / Literaturverzeichnis 230 / 8 Unsicheres und vagesWissen 235 / 8.1 Begriffe 236 / 8.1.1 Wissen . 236 / 8.1.2 Impräzision, Unsicherheit und Vagheit 236 / 8.1.3 Schlussfolgern . . 238 / 8.1.4 Wahrscheinlichkeit . . 240 / 8.1.5 Fuzzy-Menge 246 / 8.2 Sicherheitsfaktoren . . 250 / 8.2.1 Grundlagen des Sicherheitsfaktoransatzes 250 / 8.2.2 Rechenregeln für Sicherheitsfaktoren 253 / 8.2.3 Inkonsistenz der Originaldefinition 255 / 8.2.4 Korrekte probabilistische Interpretation . . 257 / 8.3 Probabilistische Schlussfolgerungsnetze . . 259 / 8.3.1 Ein einfaches Beispiel 261 / 8.3.2 Bedingte Unabhängigkeit 266 / 8.3.3 Darstellung durch Graphen . . 269 / 8.3.4 Evidenzpropagation . 275 / 8.3.5 Lernen aus Daten 280 / 8.4 Fuzzy-Regelsysteme 281 / 8.4.1 Einführung . 281 / 8.4.2 Fuzzy-Regelsysteme nachMamdani . 283 / 8.4.3 Defuzzifizierung 285 / 8.4.4 Fuzzy-Regelung auf der Basis von Gleichheitsrelationen . . 287 / 8.4.5 Fuzzy-Regelung und Relationalgleichungen . . 290 / Literaturverzeichnis 292 / 9 Fallbasiertes Schließen 297 / 9.1 Motivation und etwas Historie 297 / 9.2 Einige Charakteristika von CBR . 299 / 9.3 Grundbegriffe und ein einfaches Modell . 299 / 9.3.1 Fälle als Erfahrungen 299 / 9.3.2 CBR Methodologie . 301 / 9.3.3 Das Prozessmodell . . 301 / 9.3.4 DieWissenscontainer und ihreDiskussion 303 / Inhaltsverzeichnis XIII / 9.4 Eine Erweiterung 303 / 9.5 Repräsentationssprachen 305 / 9.5.1 Attribut-Wert Darstellungen . 305 / 9.5.2 Weitere Darstellungen 306 / 9.6 Ähnlichkeiten 307 / 9.6.1 Generelles . . 307 / 9.6.2 Semantik der Ähnlichkeitsmaße . 310 / 9.6.3 Das lokal-global Prinzip für Ähnlichkeitsmaße 313 / 9.6.4 Spezielle Ähnlichkeitsmaße . 314 / 9.7 Spezielle Retrievalfragen 317 / 9.8 Fallbasisprobleme 321 / 9.9 Adaptionsfragen 321 / 9.10 Ein paar typische Anwendungen . 322 / 9.10.1 Aufwands-Prognose . 322 / 9.10.2 E-commerce 323 / 9.10.3 Skizzen von Bildern . 323 / 9.11 Methodologie zum Aufbau eines CBR-Systems und Integrationsfragen 324 / 9.11.1 Generelles . . 324 / 9.11.2 Integration in übergeordnete Problemlöser 325 / Literaturverzeichnis 326 / 10 Planen 329 / 10.1 Repräsentation von Planungsproblemen . . 330 / 10.1.1 Mengenbasiertes Planen: STRIPS 331 / 10.1.2 Die Planungsaufgabe 333 / 10.1.3 Propositionale Repräsentationen . 333 / 10.2 Planen als Suche imZustandsraum 334 / 10.2.1 Planungsheuristiken . 336 / 10.2.2 Hierarchische Abstraktion 338 / 10.3 Planen im Planraum . 339 / 10.3.1 Partiell geordnete Pläne . 340 / 10.3.2 Planen mit partiell geordneten Plänen 340 / 10.3.3 Transformationsplanen . . 344 / 10.4 Graphbasiertes Planen 345 / 10.5 Erweiterungen und Ausblick . 350 / 10.5.1 Erweiterungen des Planungsproblems 350 / 10.5.2 Was haben wir ausgelassen? . 352 / 10.6 Literatur und Verweise . . 353 / Literaturverzeichnis 353 / XIV Inhaltsverzeichnis / 11 Neuronale Netze 357 / 11.1 Motivation . . 357 / 11.2 Natürliche neuronale Netze . . 359 / 11.2.1 Das Nervensystem besteht aus diskreten Zellen 359 / 11.2.2 Nervenzellen sind erregbar . . 360 / 11.2.3 Synaptische Übertragung 361 / 11.2.4 Lernen und synaptische Plastizität 363 / 11.3 Künstliche neuronale Netze . . 365 / 11.3.1 Elemente neuronaler Netze . . 365 / 11.3.2 Erregungsdynamik . . 366 / 11.3.3 Grundtypen von neuronalen Netzen . . 369 / 11.3.4 Gewichts- und Strukturdynamik . 375 / 11.3.5 Überwachtes Lernen als Fehlerminimierung . . 376 / 11.3.6 Unüberwachtes Lernen . . 380 / 11.3.7 Generalisierung und Komplexität 386 / 11.4 Modellierung biologischer Systeme . . 390 / 11.4.1 Neuroanatomie des visuellen Systems 390 / 11.4.2 Rezeptive Felder 392 / 11.4.3 Visuelle Informationsverarbeitung 394 / 11.5 Mustererkennung mit neuronalen Netzen . 397 / 11.6 Schlussbemerkung . . 401 / 11.7 Weiterführende Literatur 401 / Literaturverzeichnis 401 / 12 Maschinelles Lernen und Data Mining 405 / 12.1 Was istmaschinelles Lernen . 406 / 12.1.1 Intensionale Definitionsversuche . 406 / 12.1.2 Extensionale Definition über Lernaufgaben 407 / 12.1.3 Motivationen und Anwendungen . 408 / 12.1.4 Wissensentdeckung . 409 / 12.2 Funktionslernen aus Beispielen . . 410 / 12.3 Entscheidungsbäume 413 / 12.3.1 Stutzen des Baumes . 418 / 12.3.2 Boosting and Bagging: Ensemble-Methoden . . 419 / 12.3.3 Erweiterungen des Basis-Entscheidungsbaumverfahrens . . 420 / 12.4 Instanzbasiertes Lernen . . 421 / 12.4.1 Die Ähnlichkeitsfunktion . 424 / 12.4.2 Parameterbestimmung durch Kreuzvalidierung 426 / 12.4.3 Weitere Verfahrensvarianten 427 / 12.5 Stützvektormethode . 427 / 12.5.1 SVMs und die optimaleHyperebene . 428 / Inhaltsverzeichnis XV / 12.5.2 Wie berechnet man die optimale Hyperebene . 429 / 12.5.3 Statistische Eigenschaften der optimalen Hyperebene . 430 / 12.5.4 Nicht-lineare SVMs durch Kernfunktionen 432 / 12.5.5 SVMs mit "weicher" Trennung . . 433 / 12.6 Lernbarkeit in wahrscheinlich annähernd korrektemLernen (PAC) 433 / 12.6.1 Stichprobenkomplexität . 435 / 12.7 Lernen aus strukturiertenDaten: Logik 438 / 12.7.1 Repräsentation . . 439 / 12.7.2 Algorithmus FOIL . . 440 / 12.8 Assoziationsregeln . . 442 / 12.8.1 Der Apriori-Algorithmus 444 / 12.8.2 Erweiterungen . . 447 / 12.9 Subgruppenentdeckung . . 449 / 12.9.1 Qualitätsfunktionen . 450 / 12.9.2 Effiziente Suche . . .