Strukturlernen graphbasierter Modelle auf der Basis verteilten Wissens

Front Cover
GRIN Verlag, Jul 12, 2006 - Computers - 152 pages
Diplomarbeit aus dem Jahr 2005 im Fachbereich Informatik - Angewandte Informatik, Note: 1,0, Technische Universität Dortmund, 42 Quellen im Literaturverzeichnis, Sprache: Deutsch, Abstract: In der vorliegenden Arbeit werden zunächst die nötigen fundamentalen wahrscheinlichkeitstheoretischen Grundlagen bezüglich Bayes’scher Netze erläutert, um diese dann formal einzuführen. Auf dieser Basis wird dann auf Konstruktionsmethoden für Bayes’sche Netze im Allgemeinen und den Einsatz maschineller Lernverfahren im Besonderen eingegangen. Speziell soll in diesem Kontext der Aspekt des Strukturlernens Bayes’scher Netze studiert werden. Nach einer Strukturierung der in der Literatur vorkommenden Ansätze werden aktuell erforschte Strukturlernalgorithmen diskutiert und gegenübergestellt, aber auch die Entwicklung und anschließende Implementierung eines eigenen Algorithmus wird dargelegt. Eine Laufzeitanalyse und empirische Tests an einer synthetisch erzeugten Datenbank und einer akquirierten Datenbank aus dem Anwendungsbereich Medizin runden dieses zentrale Kapitel ab. In einem weiteren Kapitel werden Möglichkeiten der Einbringung von Expertenwissen diskutiert, insbesondere die Fusion von verteiltem Wissen ist in diesem Zusammenhang interessant. Hierbei geht es um die Integration von dem – möglicherweise sich widersprechenden – Wissen von mehreren (menschlichen) Experten codiert in Bayes’schen Netzen auf der einen Seite und auf der Basis maschineller Lernverfahren generierter (Teil-)Netze (die auf empirisch gewonnen Daten in Case-Datenbanken beruhen) auf der anderen Seite. Beispielsweise ist dies oft der Fall, wenn mehrere Ärzte mit verteiltem Wissen (teilweise auch dezentral an verschiedenen Orten ansässig) ein Spezialistenteam bilden und Entscheidungen treffen müssen. Anschließend werden Möglichkeiten diskutiert, wie auf Basis eines (gelernten) Entscheidungsnetzes regelbasierte Systeme wie IF-THEN Regelbasen generiert werden können. Nach einer kurzen Einführung von Entscheidungs-netzen auf der einen Seite und Fuzzy-Regelbasen auf der anderen Seite, schließt sich ein Kapitel an, welches sich mit der Kompilierung von Entscheidungsnetzen in Fuzzy-Regelbasen auseinandersetzt. In diesem Zusammenhang wird ein Framework zur Kompilierung hergeleitet und ein Pseudo-Algorithmus zur Lösung dieses Problems vorgestellt. Eine konkrete Implementierung eines auf diesem Framework basierenden Algorithmus wird zusammen mit ersten Ergebnissen in den letzten beiden Unterkapiteln dargelegt.
 

What people are saying - Write a review

We haven't found any reviews in the usual places.

Contents

I
16
II
22
III
32
IV
40
V
90
VI
104
VII
144

Other editions - View all

Common terms and phrases

Abbildung abgeknickt Akaike Information Criterion Aktionen aktuellen Algorithmen Algorithmus Ansatz Anzahl guter Operationen Approximationsgüte AussenlichtAn=true Basis Bayes’schen Netzes bedingten Wahrscheinlichkeiten beispielsweise berechneten Netzstruktur bestimmt bestOperation bewertet bezüglich calculated RuleBase Case-Datenbank conditional probability tables Confusion Matrix CPTs Datenbank Datenset ALARM Datenset MEDUSA Domäne durchgeführt effizient auswertbare Eltern-Knoten Entscheidungs-Knoten Entscheidungsnetz entsprechend Ergebnisse Expected Utility Loss Experten false folgenden Funktion Fuzzy Controllers Fuzzy-Partition Fuzzy-Regelbasis gerichteten azyklischen Graphen Greedy Hill Climbing Hierbei Hilfe Hill Climbing max Hundegebell=false Inferenz instances Iteration Kanten Kapitel Knoten Kompilierung Komplexität Konkurrierende Fusion Kornproblem Krankheit Krankheit_1 Künstlichen Intelligenz LAGD Hill Climbing lokales Optimum Look Ahead Schritt Look Ahead Tiefe maschinelle Maschinelles Lernen Menge Methode Modell möglich myNet nrOfLookAheadSteps Nutzen-Knoten optimalen Parameter protected static Qualität der berechneten Qualitätsmaß Regelbasen Regelbasis Regeln rule schlechten Operationen Score Metriken Scoring-Funktion Simulated Annealing Situation Standard Greedy Hill Struktur Strukturlernens Suchraum Tabelle Trainingsdaten Trainingsfälle true typischerweise Variablen vergleiche vorgestellten Wahrscheinlichkeitsverteilung Zufalls-Knoten Zufallsvariablen Zustand

Bibliographic information