Advertisement

Wissensrepräsentation und Maschinelles Lernen

  • Werner Emde
  • Claus-Rainer Rollinger
Conference paper
Part of the Informatik-Fachberichte book series (INFORMATIK, volume 172)

Zusammenfassung

In diesem Aufsatz wird die besondere Problematik der Wissensrepräsentation untersucht, die durch den Einsatz maschineller Lernverfahren zur Wissensakquisition für wissensbasierte Systeme entsteht. Es wird die Notwendigkeit der multiplen Wissensrepräsentation in lernenden Systemen begründet. Ferner wird dargestellt, welche Auswirkungen die Wahl einer Repräsentationsprache bei den bekannten Generalisierungsverfahren auf das Lernergebnis haben kann. Die daraus folgenden Konsequenzen für die Architektur lernender Systeme werden erörtert und in Beziehung zum derzeitlgen Stand der Kunst gesetzt.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Literatur

  1. Amarel, S. (1968): “On Representation of Problems of Reasoning about Actions”; In: B. Meltzer, D. Michie (eds.): Maschine Intelligence, Vol. 3, University of Edinburgh Press, S. 131–171.Google Scholar
  2. Bennett, J.S. (1983): “ROGET: A Knowledge-Based Consultant for Acquiring the Conceptual Structure of an Expert System”; Stanford Heuristic Programming Project, October 1983Google Scholar
  3. Carbonell, J. G., Michalski, R.S., Mitchell, T.M. (1983): “An Overview of Machine Learning”; In: Michalski/Carbonell/Mitchell (eds.): Machine Learning; Tioga Press, Palo Alto.Google Scholar
  4. Davis, E. (1979): “Interactive Transfer of Expertise: Acquisition of New Inference Rules”; In: Artificial Intelligence 12, S. 121–157.Google Scholar
  5. Diederich, J., Ruhmann, I., May, M. (1986): “KRITON: A Knowledge Acquisition Tool for Expert Systems”; Proceedings of the Knowledge Acquisition for Knowledge-Based Systems Workshop, Banff, Canada.Google Scholar
  6. Dietterich, T.G. (ed.) (1986): Proceedings of the Workshop on Knowledge Compilation, September 1986, Inn at Otter Crest, Oregon.Google Scholar
  7. Dietterich, T.G., London, B., Clarkson, K., Dromey, G. (1982): “Learning and Inductive Inference”; Kapitel XIV im 3. Band von: P. R. Cohen, E. A. Feigenbaum (eds.): The Handbook of Artificial Intelligence, Kaufmann, Los Altos.Google Scholar
  8. Dietterich, T. G., Michalski, R.S. (1981): “Inductive Learning of Structural Descriptions: Evaluation Criteria and Comparative Review of Selected Methods”; In: Artificial Intelligence 16, S. 257–294.Google Scholar
  9. Dietterieh, T.G., R. Michalski (1983): “A Comparative Review of Selected Methods for Learning from Examples”. in: Michalski, R. / Carbonell, J. / Mitchell, T. (eds.): “Machine Learning: An Artificial Intelligence Approach”. Tioga Pub.: Palo Alto.Google Scholar
  10. Dietterieh, T.G., Michalski, R.S. (1985): “Discovering Patterns in Sequences of Events”; In: Artificial Intelligence 25, S. 187–232.Google Scholar
  11. Emde, W., Habel, Ch., Rollinger, C.R. (1983): “The Discovery of the Equator (or Concept Driven Learning)”; In: Proc. IJCAI-83, Karlsruhe, F.R.G, S. 455–458.Google Scholar
  12. Emde, W., Morik, K. (1986): “Consultation-Independent Learning in BLIP”; Erscheint in: Y. Kodratoff (ed): Human and Machine Learning, Michael Horwood Pub.Google Scholar
  13. Flann, N.S., Dietterich, T.G. (1986): “Selecting Appropriate Representations for Learning from Example”; In: Proc. AAAi-86, Philadelphia, PA, S. 460–466.Google Scholar
  14. Gaines, B. (1986): “An Overview of Knowledge Acquisition and Transfer”; Proceedings of the Knowledge Acquisition for Knowledge-Based Systems Workshop, Banff, Canada.Google Scholar
  15. Habel, Ch. (1987): “Darstellung räumlichen Wissens”, in diesem Band.Google Scholar
  16. Habel, Ch., C.-R. Rollinger (1985): “Lernen und Wissensaquisition” in: Habel, Ch. (ed.): “Künstliche Intelligenz — Repräsentation von Wissen und natürliehspraehliche System, Frühjahrsschule, Dassel, März 1984”, Springer Verlag.Google Scholar
  17. Hayes-Roth, F. (1976): “Patterns of Induction and Associated Knowledge Acquisition Algorithms”, in: Chen, C. (ed.): “Pattern Recognition and Artificial Intelligence”, Academic Press, New York.Google Scholar
  18. Holte, R.C. (1986): Alternative Information Structures in Incremental Learning Systems; Erscheint in: Y. Kodratoff (ed): Human and Machine Learning, Michael Horwood Pub.Google Scholar
  19. Kahn, G., Nowlan, S., McDermott, J. (1984): “A Foundation for Knowledge Acquisition”; In: Proc. IEEE Workshop on Principles of Knowledge-Based SystemsGoogle Scholar
  20. Korf, R. E. (1980): “Toward a Model of Representation Changes”; Artificial Intelligence Journal 14, S. 41–78.CrossRefMathSciNetGoogle Scholar
  21. Langley, P., Carbonell, J.G. (1984): “Approaches to Machine Learning”; Carnegie-Mellon University, Report CMU-CS-84-108.Google Scholar
  22. von Luck, K., H.-J. Schneider (1987): “Semantische Netze: Erfahrungen mit KL-ONE”, in diesem Band.Google Scholar
  23. Maes, P. (1986): “Inrospection in Knowledge Representation” In Proc. ECAI-86, Brighton, U.K., S. 256–269.Google Scholar
  24. Mescheder, B. (1985): “Funktionen und Arbeitsweise der Expertensystem-Shell TWAICE”, In: S. Savory (Hrsg.): Künstliche Intelligenz und Expertensysteme, Oldenbourg Verlag.Google Scholar
  25. Mitchell, T. (1983): “Learning and Problem-Solving”, in: Proceedings der IJCAI-83, Karlsruhe.Google Scholar
  26. Mitchell, T., Mahadevan, S., Steinberg, L.I. (1985): “LEAP: A Learning Apprentice for VLSI Design”, in: Proceedings der IJCAI-85, Los Angeles, S.573–580.Google Scholar
  27. Neches, R., Swartout, W.R., Moore, J. (1985): “Explainable (and Maintainable) Expert Systems”; In: Proc. IJCAI-85, Los Angeles, CA.Google Scholar
  28. di Primio, F., Bungers, D., Christaller, T. (1985): “BABYLON als Werkzeug zum Aufbau von Expertensystemen” in: W. Brauer, B. Radig (Hrsg.): Wissensbasierte Systeme, GI Kongress 1985, Springer-Verlag, S. 70–79.CrossRefGoogle Scholar
  29. Radig, B. (1987): “Wissensrepräsentation mit relationalen Strukturen”, in diesem Band.Google Scholar
  30. Rendell, L. (1985): “Induction, Of and By Probability”; In: Proceedings of the Workshop on Uncertainty and Probability in Artificial Intelligence, University of California, Los Angeles.Google Scholar
  31. Rollinger, C.-R. (1987): “Impossible Objects and Automatic Concept Development”, in: Proceedings der EARLI-87 Konferenz, Tübingen, im Erscheinen.Google Scholar
  32. Schmitt, P. (1987): “Vererbungshierarchien und Prädikatenlogik”, in diesem Band.Google Scholar
  33. Scott, P.D. (1983): Learning: The Construction of a Posteriori Knowledge Structures; Proc. AAAI-83, Washington.Google Scholar
  34. Simon, H. A. (1983): “Why Should Machines Learn?”; In: Michalski, Carbonell, Mitchell (eds.): Machine Learning; Tioga Press, Palo Alto.Google Scholar
  35. Someren, M. W. van (1986): “Constructive Induction Rules: Reducing the Description Space for Rule Learning”; In: Proc. of the European Working Session on Learning 1986, Orsay, Paris.Google Scholar
  36. Stepp, R., Michalski, R.S. (1986): “Conceptual Clustering of Structured Objects: A Goal-Oriented Approach”; In: Artificial Intelligence 28, North-Holland, S. 43–69.Google Scholar
  37. Winston, P.H. (1975): “Learning Structural Descriptions from Examples”; In: P.H.Winston (ed.): The Psychology of Computer Vision; McGraw-Hill, New York.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 1988

Authors and Affiliations

  • Werner Emde
    • 1
  • Claus-Rainer Rollinger
    • 2
  1. 1.Fachbereich Informatik, Computergestützte Informations systeme, Projekt KIT-LERNERTechnische Universität BerlinGermany
  2. 2.Projekt LILOGIBM Deutschland GmbHStuttgart 80Germany

Personalised recommendations