Advertisement

Künstliche Intelligenz

  • Felix Weber
Chapter
  • 209 Downloads

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.

Literatur

  1. 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. 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)CrossRefGoogle Scholar
  3. 3.
    Goodfellow, I., et al.: Deep Learning, Bd. 1. MIT Press, Cambridge (2016)Google Scholar
  4. 4.
    Amirian, P., Lang, T., van Loggerenberg, F.: Big Data in Healthcare: Extracting Knowledge from Point-of-Care Machines. Springer, Cham (2017)CrossRefGoogle Scholar
  5. 5.
    Zachman, J.A.: A framework for information systems architecture. IBM Syst. J. 26(3), 276–292 (1987)CrossRefGoogle Scholar
  6. 6.
    Sowa, J.F., Zachman, J.A.: Extending and formalizing the framework for information systems architecture. IBM Syst. J. 31(3), 590–616 (1992)CrossRefGoogle Scholar
  7. 7.
    Witten, I.H., et al.: Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, Cambridge (2016)zbMATHGoogle Scholar
  8. 8.
    Gorry, G.A., Scott Morton, M.S.: A framework for management information systems. Sloan Manag. Rev. 13, 55–70 (1971)Google Scholar
  9. 9.
    Sprague Jr., R.H.: A framework for the development of decision support systems. MIS Q. 4, 1–26 (1980)CrossRefGoogle Scholar
  10. 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. 11.
    Sutton, R.S., Barto, A.G.: Reinforcement Learning: An Introduction. MIT Press, Cambridge (2018)zbMATHGoogle Scholar
  12. 12.
    Michalski, R.S., Carbonell, J.G., Mitchell, T.M.: Machine Learning: An Artificial Intelligence Approach. Springer Science & Business Media, Berlin (2013)zbMATHGoogle Scholar
  13. 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. 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. 15.
    Bollinger, T.: Assoziationsregeln – Analyse eines Data Mining Verfahrens. Informatik-Spektrum. 19(5), 257–261 (1996)CrossRefGoogle Scholar
  16. 16.
    Decker, R.: Empirischer Vergleich alternativer Ansätze zur Verbundanalyse im Marketing. Proceedingsband zur KSFE 5, 99–110 (2001)Google Scholar
  17. 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)CrossRefGoogle Scholar
  18. 18.
    Kim, N., et al.: Load profile extraction by mean-shift clustering with sample pearson correlation coefficient distance. Energies. 11, 2397 (2018)CrossRefGoogle Scholar
  19. 19.
    Larcheveque, J.-M.H.D., et al.: Semantic clustering. Google Patents (2016)Google Scholar
  20. 20.
    Chatterjee, S., Hadi, A.S.: Regression Analysis by Example. Wiley, New York (2015)zbMATHGoogle Scholar
  21. 21.
    Tukey, J.W.: Comparing individual means in the analysis of variance. Biometrics. 5(2), 99–114 (1949)MathSciNetCrossRefGoogle Scholar
  22. 22.
    Yu, C.H.: Exploratory data analysis. Methods. 2, 131–160 (1977)Google Scholar
  23. 23.
    Pazzani, M.J., Billsus, D.: Content-based recommendation systems. In: The adaptive web, S. 325–341. Springer, Heidelberg (2007)Google Scholar
  24. 24.
    Linden, G., Smith, B., York, J.: Amazon.com recommendations: item-to-item collaborative filtering. IEEE Internet Comput. 7, 76–80 (2003)CrossRefGoogle Scholar
  25. 25.
    Gunawardana, A., Meek, C.: A unified approach to building hybrid recommender systems. RecSys. 9, 117–124 (2009)Google Scholar
  26. 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. 27.
    Gong, S.: A collaborative filtering recommendation algorithm based on user clustering and item clustering. JSW. 5(7), 745–752 (2010)CrossRefGoogle Scholar
  28. 28.
    Burke, R.: Hybrid recommender systems: survey and experiments. User Model. User-Adap. Inter. 12(4), 331–370 (2002)CrossRefGoogle Scholar
  29. 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

Copyright information

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

Authors and Affiliations

  • Felix Weber
    • 1
  1. 1.Lehrstuhl für WirtschaftsinformatikUniversität Duisburg-EssenEssenDeutschland

Personalised recommendations