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.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsNotes
- 1.
Siehe hierzu die Ausführung von Alan Turing. Der Mathematiker und Informatiker gilt als einer der einflussreichsten Theoretiker der frühen Computerentwicklung und Informatik.
- 2.
Wobei auch hier gesagt werden muss, dass diese Einteilung nicht unumstritten ist.
- 3.
Meistens sind hier mathematische Optimierungssysteme gemeint.
- 4.
Weitergehende Informationen finden sich in [2].
- 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.
- 7.
- 8.
- 9.
- 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.
Siehe: [24].
- 12.
Siehe: [25].
- 13.
Siehe: [26].
Literatur
Russell, S.J., Norvig, P.: Artificial Intelligence: A Modern Approach Prentice Hall Series in Artificial Intelligence, S. xxviii, 932. Prentice Hall, Englewood Cliffs (1995)
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)
Goodfellow, I., et al.: Deep Learning, Bd. 1. MIT Press, Cambridge (2016)
Amirian, P., Lang, T., van Loggerenberg, F.: Big Data in Healthcare: Extracting Knowledge from Point-of-Care Machines. Springer, Cham (2017)
Zachman, J.A.: A framework for information systems architecture. IBM Syst. J. 26(3), 276–292 (1987)
Sowa, J.F., Zachman, J.A.: Extending and formalizing the framework for information systems architecture. IBM Syst. J. 31(3), 590–616 (1992)
Witten, I.H., et al.: Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Cambridge (2016)
Gorry, G.A., Scott Morton, M.S.: A framework for management information systems. Sloan Manag. Rev. 13, 55–70 (1971)
Sprague Jr., R.H.: A framework for the development of decision support systems. MIS Q. 4, 1–26 (1980)
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)
Sutton, R.S., Barto, A.G.: Reinforcement Learning: An Introduction. MIT Press, Cambridge (2018)
Michalski, R.S., Carbonell, J.G., Mitchell, T.M.: Machine Learning: An Artificial Intelligence Approach. Springer Science & Business Media, Berlin (2013)
Agrawal, R., Srikant, R.: Fast algorithms for mining association rules. In: Proceedings of the 20th International Conference on Very Large Data Bases, VLDB (1994)
Gluchowski, P., Chamoni, P.: Analytische Informationssysteme: Business Intelligence-Technologien und -Anwendungen. 5., vollst. überarb. Aufl., Springer Imprint/Springer Gabler, Berlin/Heidelberg (2016)
Bollinger, T.: Assoziationsregeln – Analyse eines Data Mining Verfahrens. Informatik-Spektrum. 19(5), 257–261 (1996)
Decker, R.: Empirischer Vergleich alternativer Ansätze zur Verbundanalyse im Marketing. Proceedingsband zur KSFE 5, 99–110 (2001)
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)
Kim, N., et al.: Load profile extraction by mean-shift clustering with sample pearson correlation coefficient distance. Energies. 11, 2397 (2018)
Larcheveque, J.-M.H.D., et al.: Semantic clustering. Google Patents (2016)
Chatterjee, S., Hadi, A.S.: Regression Analysis by Example. Wiley, New York (2015)
Tukey, J.W.: Comparing individual means in the analysis of variance. Biometrics. 5(2), 99–114 (1949)
Yu, C.H.: Exploratory data analysis. Methods. 2, 131–160 (1977)
Pazzani, M.J., Billsus, D.: Content-based recommendation systems. In: The adaptive web, S. 325–341. Springer, Heidelberg (2007)
Linden, G., Smith, B., York, J.: Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Comput. 7, 76–80 (2003)
Gunawardana, A., Meek, C.: A unified approach to building hybrid recommender systems. RecSys. 9, 117–124 (2009)
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)
Gong, S.: A collaborative filtering recommendation algorithm based on user clustering and item clustering. JSW. 5(7), 745–752 (2010)
Burke, R.: Hybrid recommender systems: survey and experiments. User Model. User-Adap. Inter. 12(4), 331–370 (2002)
Zhao, X., Zhang, W., Wang, J.: Interactive collaborative filtering. In: Proceedings of the 22nd ACM International Conference on Information and Knowledge Management, ACM (2013)
Author information
Authors and Affiliations
Rights and permissions
Copyright information
© 2020 Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature
About this chapter
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
DOI: https://doi.org/10.1007/978-3-658-29773-2_2
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-29772-5
Online ISBN: 978-3-658-29773-2
eBook Packages: Computer Science and Engineering (German Language)