Skip to main content
SpringerLink
Log in
Book cover

Künstliche Intelligenz für Business Analytics pp 37–72Cite as

Künstliche Intelligenz

  • Chapter
  • First Online:

Zusammenfassung

McCarthy definiert Künstliche Intelligenz als „[…] die Wissenschaft und Technik der Schaffung intelligenter Maschinen, insbesondere intelligenter Computerprogramme“. Die Disziplin steht im Zusammenhang mit der Aufgabe, Computer zum Verständnis der menschlichen Intelligenz zu nutzen. Damit stützen auch viele Teilbereiche und Methoden der KI sich auf biologische Muster und Abläufe, die KI ist aber nicht nur auf diese biologisch beobachtbaren Methoden beschränkt.

This is a preview of subscription content, log in via an institution.

Chapter
USD   29.95
Price excludes VAT (USA)
  • Available as PDF
  • Read on any device
  • Instant download
  • Own it forever
eBook
USD   39.99
Price excludes VAT (USA)
  • Available as EPUB and PDF
  • Read on any device
  • Instant download
  • Own it forever

Tax calculation will be finalised at checkout

Purchases are for personal use only

Learn about institutional subscriptions

Notes

  1. 1.

    Siehe hierzu die Ausführung von Alan Turing. Der Mathematiker und Informatiker gilt als einer der einflussreichsten Theoretiker der frühen Computerentwicklung und Informatik.

  2. 2.

    Wobei auch hier gesagt werden muss, dass diese Einteilung nicht unumstritten ist.

  3. 3.

    Meistens sind hier mathematische Optimierungssysteme gemeint.

  4. 4.

    Weitergehende Informationen finden sich in [2].

  5. 5.

    Der Fluch der Dimensionalität bezieht sich auf verschiedene Phänomene, die bei der Analyse und Organisation von Daten in hochdimensionalen Räumen (oft mit Hunderten oder Tausenden von Dimensionen) auftreten, die nicht in niedrigdimensionalen Umgebungen wie dem dreidimensionalen physischen Raum der Alltagserfahrung auftreten. Das gemeinsame Thema dieser Probleme ist, dass mit zunehmender Dimensionalität das Volumen des Raumes so schnell zunimmt, dass die verfügbaren Daten spärlich werden. Bei maschinellen Lernproblemen, bei denen aus einer begrenzten Anzahl von Datenproben in einem hochdimensionalen Merkmalsraum gelernt wird, wobei jedes Merkmal eine Reihe von möglichen Werten hat, ist in der Regel eine enorme Menge an Trainingsdaten erforderlich, um sicherzustellen, dass es mehrere Stichproben mit jeder Kombination von Werten gibt. Weitere Informationen zum Fluch und möglicher Lösungsansätze finden sich beispielsweise in [4].

  6. 6.

    Für weitergehende Informationen zu diesem Lernmodell siehe [5] oder [6].

  7. 7.

    Für weitergehende Informationen siehe [8] oder [9].

  8. 8.

    Eine Übersicht der verschiedenen Entwicklungen rund um den Apriori-Algorithmus findet sich in [13] oder [14].

  9. 9.

    Siehe [14] oder [16].

  10. 10.

    Eine umfassende und wissenschaftlich fundierte Vorstellung von Algorithmen der zweiten Ordnung findet sich in den Lecture Notes der Universität Standford von Prof. Ye. Abrufbar hier: https://web.stanford.edu/class/msande311/lecture13.pdf.

  11. 11.

    Siehe: [24].

  12. 12.

    Siehe: [25].

  13. 13.

    Siehe: [26].

Literatur

  1. Russell, S.J., Norvig, P.: Artificial Intelligence: A Modern Approach Prentice Hall Series in Artificial Intelligence, S. xxviii, 932. Prentice Hall, Englewood Cliffs (1995)

    Google Scholar 

  2. Watson, H.J., Rainer Jr., R.K., Koh, C.E.: Executive information systems: a framework for development and a survey of current practices. MIS Q. 15, 13–30 (1991)

    Article  Google Scholar 

  3. Goodfellow, I., et al.: Deep Learning, Bd. 1. MIT Press, Cambridge (2016)

    Google Scholar 

  4. Amirian, P., Lang, T., van Loggerenberg, F.: Big Data in Healthcare: Extracting Knowledge from Point-of-Care Machines. Springer, Cham (2017)

    Book  Google Scholar 

  5. Zachman, J.A.: A framework for information systems architecture. IBM Syst. J. 26(3), 276–292 (1987)

    Article  Google Scholar 

  6. Sowa, J.F., Zachman, J.A.: Extending and formalizing the framework for information systems architecture. IBM Syst. J. 31(3), 590–616 (1992)

    Article  Google Scholar 

  7. Witten, I.H., et al.: Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Cambridge (2016)

    MATH  Google Scholar 

  8. Gorry, G.A., Scott Morton, M.S.: A framework for management information systems. Sloan Manag. Rev. 13, 55–70 (1971)

    Google Scholar 

  9. Sprague Jr., R.H.: A framework for the development of decision support systems. MIS Q. 4, 1–26 (1980)

    Article  Google Scholar 

  10. Robert, C., Moy, C., Wang, C.-X.: Reinforcement learning approaches and evaluation criteria for opportunistic spectrum access. In: 2014 IEEE International Conference on Communications (ICC), IEEE (2014)

    Google Scholar 

  11. Sutton, R.S., Barto, A.G.: Reinforcement Learning: An Introduction. MIT Press, Cambridge (2018)

    MATH  Google Scholar 

  12. Michalski, R.S., Carbonell, J.G., Mitchell, T.M.: Machine Learning: An Artificial Intelligence Approach. Springer Science & Business Media, Berlin (2013)

    MATH  Google Scholar 

  13. Agrawal, R., Srikant, R.: Fast algorithms for mining association rules. In: Proceedings of the 20th International Conference on Very Large Data Bases, VLDB (1994)

    Google Scholar 

  14. Gluchowski, P., Chamoni, P.: Analytische Informationssysteme: Business Intelligence-Technologien und -Anwendungen. 5., vollst. überarb. Aufl., Springer Imprint/Springer Gabler, Berlin/Heidelberg (2016)

    Google Scholar 

  15. Bollinger, T.: Assoziationsregeln – Analyse eines Data Mining Verfahrens. Informatik-Spektrum. 19(5), 257–261 (1996)

    Article  Google Scholar 

  16. Decker, R.: Empirischer Vergleich alternativer Ansätze zur Verbundanalyse im Marketing. Proceedingsband zur KSFE 5, 99–110 (2001)

    Google Scholar 

  17. Dhanachandra, N., Manglem, K., Chanu, Y.J.: Image segmentation using K-means clustering algorithm and subtractive clustering algorithm. Procedia Comput. Sci. 54, 764–771 (2015)

    Article  Google Scholar 

  18. Kim, N., et al.: Load profile extraction by mean-shift clustering with sample pearson correlation coefficient distance. Energies. 11, 2397 (2018)

    Article  Google Scholar 

  19. Larcheveque, J.-M.H.D., et al.: Semantic clustering. Google Patents (2016)

    Google Scholar 

  20. Chatterjee, S., Hadi, A.S.: Regression Analysis by Example. Wiley, New York (2015)

    MATH  Google Scholar 

  21. Tukey, J.W.: Comparing individual means in the analysis of variance. Biometrics. 5(2), 99–114 (1949)

    Article  MathSciNet  Google Scholar 

  22. Yu, C.H.: Exploratory data analysis. Methods. 2, 131–160 (1977)

    Google Scholar 

  23. Pazzani, M.J., Billsus, D.: Content-based recommendation systems. In: The adaptive web, S. 325–341. Springer, Heidelberg (2007)

    Google Scholar 

  24. Linden, G., Smith, B., York, J.: Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Comput. 7, 76–80 (2003)

    Article  Google Scholar 

  25. Gunawardana, A., Meek, C.: A unified approach to building hybrid recommender systems. RecSys. 9, 117–124 (2009)

    Google Scholar 

  26. Liu, N.N., Zhao, M., Yang, Q.: Probabilistic latent preference analysis for collaborative filtering. In: Proceedings of the 18th ACM Conference on Information and Knowledge Management, ACM (2009)

    Google Scholar 

  27. Gong, S.: A collaborative filtering recommendation algorithm based on user clustering and item clustering. JSW. 5(7), 745–752 (2010)

    Article  Google Scholar 

  28. Burke, R.: Hybrid recommender systems: survey and experiments. User Model. User-Adap. Inter. 12(4), 331–370 (2002)

    Article  Google Scholar 

  29. Zhao, X., Zhang, W., Wang, J.: Interactive collaborative filtering. In: Proceedings of the 22nd ACM International Conference on Information and Knowledge Management, ACM (2013)

    Google Scholar 

Download references

Author information

Authors and Affiliations

  1. Lehrstuhl für Wirtschaftsinformatik, Universität Duisburg-Essen, Essen, Deutschland

    Felix Weber

Authors
  1. Felix Weber
    View author publications

    You can also search for this author in PubMed Google Scholar

Rights and permissions

Reprints and permissions

Copyright information

© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature

About this chapter

Check for updates. Verify currency and authenticity via CrossMark

Cite this chapter

Weber, F. (2020). Künstliche Intelligenz. In: Künstliche Intelligenz für Business Analytics. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-29773-2_2

Download citation

Publish with us

Policies and ethics

Search

Navigation