Hausarbeiten logo
Shop
Shop
Tutorials
De En
Shop
Tutorials
  • How to find your topic
  • How to research effectively
  • How to structure an academic paper
  • How to cite correctly
  • How to format in Word
Trends
FAQ
Zur Shop-Startseite › Informatik - Theoretische Informatik

Strukturlernen graphbasierter Modelle auf der Basis verteilten Wissens

Titel: Strukturlernen graphbasierter Modelle auf der Basis verteilten Wissens

Diplomarbeit , 2005 , 152 Seiten , Note: 1,0

Autor:in: Manuel Neubach (Autor:in)

Informatik - Theoretische Informatik

Leseprobe & Details   Blick ins Buch
Zusammenfassung Leseprobe Details

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 Entscheidungsnetzen 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.

Leseprobe


Auf einen Blick

  • Note: 1,0
  • Eigenes Strukturlernverfahren LAGD Hill Climbing entwickelt und implementiert
  • LAGD Hill Climbing anhand der Falldatenbanken ALARM und MEDUSA vergleichend getestet
  • LAGD-Hauptmethode und rekursive Methode getOptimalOperations als Programmcode abgedruckt
  • 43 Quellen im Literaturverzeichnis

Inhaltsverzeichnis

1 Einleitung

1.1 Einordnung

1.2 Ziele und Gliederung

2 Bayes’sche Netze

2.1 Grundlagen

2.2 Definition

2.3 Beispiel eines Bayes’schen Netzes

2.4 Inferenz in Bayes’schen Netzen

3 Konstruktion Bayes’scher Netze

3.1 Der Bayes’sche Ansatz

3.2 Der frequentistische Ansatz

4 Maschinelles Lernen Bayes’scher Netze

4.1 Lernsituationen

4.2 Strukturlernen Bayes’scher Netze

4.2.1 Qualitätsmaße

4.2.2 Suchstrategien

4.2.2.1 Simulated Annealing

4.2.2.2 Greedy Hill Climbing

4.2.2.3 LAGD Hill Climbing

4.2.3 Experimentelle Ergebnisse

4.2.3.1 Datenset ALARM

4.2.3.2 Datenset MEDUSA

5 Integration von verteiltem Wissen

5.1 Konkurrierende Fusion

5.1.1 Konkurrierende Fusion via Sampling

5.1.2 Konkurrierende Fusion via LinOP-Aggregation

5.2 Komplementäre Fusion

5.3 Kooperative Fusion

6 Generierung von Regelbasen anhand von Entscheidungsnetzen

6.1 Definition Entscheidungsnetz

6.2 Beispiel eines Entscheidungsnetzes

6.3 Definition Fuzzy-Regelbasis

6.4 Ein Framework für die Kompilierung von Entscheidungsnetzen in Fuzzy-Regelbasen

6.5 Implementierung eines Algorithmus zur automatischen Generierung einer Regelbasis anhand eines Entscheidungsnetzes

6.5.1 Experimentelle Ergebnisse für das Entscheidungsnetz „Kornproblem“

6.5.2 Experimentelle Ergebnisse für das Entscheidungsnetz „Börsen- und Wirtschaftslage“

6.6 Verallgemeinerung auf Fuzzy-Regelbasen

7 Zusammenfassung und Ausblick

Zielsetzung und Themen

Die Diplomarbeit untersucht, wie sich die Struktur Bayes’scher Netze aus Daten lernen und verteiltes Wissen in solche Modelle integrieren lässt. Im Mittelpunkt stehen die Entwicklung und Erprobung eines eigenen Strukturlernverfahrens sowie die Frage, wie Entscheidungsnetze für zeitkritische Anwendungen in effizient auswertbare Regelbasen überführt werden können.

  • Wahrscheinlichkeitstheoretische Grundlagen und Inferenz in Bayes’schen Netzen
  • Bayes’sche und frequentistische Ansätze zur Netzkonstruktion
  • Qualitätsmaße und heuristische Suchstrategien für das Strukturlernen
  • Entwicklung und experimentelle Erprobung von LAGD Hill Climbing
  • Fusion verteilter Wissensmodelle durch Sampling und LinOP-Aggregation
  • Kompilierung von Entscheidungsnetzen in scharfe und unscharfe Regelbasen

Auszug aus dem Buch

Integration von verteiltem Wissen

Die in der Einleitung zu Kapitel 4 erläuterten Lernsituationen stellen Extreme dar. Beispielsweise kann es in der Praxis bei der Konstruktion größerer Bayes’scher Netze durchaus vorkommen, dass Experten der betreffenden Domäne zwar in der Lage sind, einzelne partielle Strukturen des Bayes’schen Netzes inklusive der Parameter der durch diese Teilstrukturen induzierten conditional probability tables aufzustellen, aber nicht das komplette Bayes’sche Netz. Die fehlenden Teile des Bayes’schen Netzes können dann eventuell mit der Hilfe von Case-Datenbanken generiert oder auf der Basis von Wissen weiterer Experten codiert in Bayes’schen Netzen komplettiert werden.

Häufig hat man auch die Situation, dass ein Expertensystem auf Basis eines Bayes’schen Netzes erstellt werden soll, bei dessen Konstruktion verschiedenste Experten an unterschiedlichen Orten beteiligt sein können. Ein sehr gutes Beispiel hierfür ist die Konstruktion eines Expertensystems für eine spezielle medizinische Domäne. Man hat die Erfahrung mehrerer Ärzte zur Verfügung, jeder der Ärzte hat im Verlauf seiner Praxis eine bestimmte Anzahl von Patientenfällen gesehen und sich auf dieser Basis zu der entsprechenden Domäne ein Modell „im Kopf“ erschaffen. An die einzelnen Patientenfälle kann sich sicherlich keiner der Experten im Detail erinnern, jedoch kann das „erlernte“ Modell eines einzelnen Arztes typischerweise mit wenig Aufwand als ein Bayes’sches Netz repräsentiert werden. Allerdings ist man bei der Modellkonstruktion an einem möglichst guten Bayes’schen Netz interessiert, so dass es am besten wäre, wenn ein Arzt das Bayes’sche Netz aufstellen würde, dessen Expertenwissen auf sämtlichen Patientenfällen beruht, welche die einzelnen beteiligten Ärzte im Laufe ihrer Praxis gesehen haben. Diesen Arzt gibt es natürlich nicht. Um trotzdem Vorteile aus dem Wissen aller zur Verfügung stehenden Experten ziehen zu können, müsste man aus den einzelnen Modellen der verschiedenen Ärzte ein vereinigtes Bayes’sches Netz formen, welches die Genauigkeit jedes einzelnen Netzes übertrifft. Natürlich könnte man hierzu sämtliche Experten an einen Tisch beordern und durch Absprache ein Bayes’sches Netz konstruieren, das diese Eigenschaft hat. Dieser relativ subjektive Weg (der schon in Kapitel 3 angerissen wurde) hat jedoch entscheidende Nachteile: Zum einen ist es in der Praxis im Allgemeinen nicht möglich, sämtliche Experten zu einem bestimmten Punkt in der Raumzeit zusammenzuberufen, zum anderen ist ein derartiges Treffen sehr zeitaufwändig (und damit auch kostenintensiv).

Zusammenfassung der Kapitel

1 Einleitung: Die Arbeit ordnet Bayes’sche Netze und Entscheidungsnetze in das Schlussfolgern unter Unsicherheit ein und erläutert ihre Zielsetzung.

2 Bayes’sche Netze: Das Kapitel führt graphentheoretische und probabilistische Grundlagen ein und erläutert Definition, Beispiel und Inferenz Bayes’scher Netze.

3 Konstruktion Bayes’scher Netze: Der Bayes’sche und der frequentistische Ansatz werden als unterschiedliche Wege zur Bestimmung von Wahrscheinlichkeiten und Modellen vorgestellt.

4 Maschinelles Lernen Bayes’scher Netze: Das Kapitel behandelt Lernsituationen, Qualitätsmaße und Suchstrategien. Es entwickelt LAGD Hill Climbing und vergleicht das Verfahren anhand synthetischer und medizinischer Daten mit anderen Algorithmen.

5 Integration von verteiltem Wissen: Verschiedene Formen der Wissensfusion werden unterschieden; für konkurrierende Modelle werden Sampling und LinOP-Aggregation untersucht.

6 Generierung von Regelbasen anhand von Entscheidungsnetzen: Das Kapitel entwickelt einen Rahmen für die Kompilierung von Entscheidungsnetzen in Regelbasen und beschreibt Implementierung und Tests anhand eines Kornproblems und wirtschaftlicher Daten.

7 Zusammenfassung und Ausblick: Die wesentlichen Ergebnisse werden zusammengeführt und Ansatzpunkte für die Weiterentwicklung der Lern- und Kompilierungsverfahren benannt.

Schlüsselwörter

Bayes’sche Netze, Strukturlernen, maschinelles Lernen, verteiltes Wissen, Wissensfusion, Entscheidungsnetze, Fuzzy-Regelbasen, heuristische Suche, Qualitätsmaße, LAGD Hill Climbing, Inferenz, Wissenskompilierung, medizinische Falldaten

Häufig gestellte Fragen

Worum geht es in der Arbeit?

Die Arbeit untersucht das maschinelle Lernen Bayes’scher Netzstrukturen, die Zusammenführung verteilter Wissensmodelle und die Ableitung von Regelbasen aus Entscheidungsnetzen.

Welche Themenfelder stehen im Mittelpunkt?

Im Zentrum stehen probabilistische Modelle, Suchstrategien und Qualitätsmaße für das Strukturlernen, Wissensfusion sowie scharfe und unscharfe Regelbasen.

Welches Ziel verfolgt die Untersuchung?

Sie soll Verfahren zur Konstruktion und Nutzung graphbasierter Modelle untersuchen und insbesondere ein eigenes Strukturlernverfahren sowie einen Ansatz zur Kompilierung von Entscheidungsnetzen entwickeln.

Welche wissenschaftliche Vorgehensweise wird verwendet?

Die Arbeit verbindet formale Herleitungen und Algorithmenentwicklung mit Implementierungen, Laufzeitbetrachtungen und experimentellen Vergleichen auf synthetischen und realen Datensätzen.

Was wird im Hauptteil behandelt?

Der Hauptteil erläutert Bayes’sche Netze und ihre Konstruktion, vergleicht Strukturlernverfahren, behandelt die Fusion verteilter Modelle und entwickelt Verfahren zur Generierung von Regelbasen.

Welche Schlüsselbegriffe charakterisieren die Arbeit?

Zu den wichtigsten Begriffen gehören Bayes’sche Netze, Strukturlernen, LAGD Hill Climbing, Wissensfusion, Entscheidungsnetze und Fuzzy-Regelbasen.

Welche Daten werden für die Erprobung des Strukturlernens verwendet?

Zum Einsatz kommen eine aus dem ALARM-Netzwerk synthetisch erzeugte Falldatenbank und die medizinische Patientendatenbank MEDUSA.

Was unterscheidet LAGD Hill Climbing vom einfachen Greedy Hill Climbing?

Das entwickelte Verfahren betrachtet vorausschauend Folgen mehrerer Kantenoperationen und begrenzt die Suche dabei auf eine einstellbare Anzahl aussichtsreicher Operationen pro Schritt.

Wozu werden Entscheidungsnetze in Regelbasen überführt?

Die Überführung soll Entscheidungen auch in zeitkritischen oder ressourcenbeschränkten Anwendungen ermöglichen, indem eine zuvor konstruierte Regelbasis anstelle einer aufwendigen Netzauswertung verwendet wird.

Ende der Leseprobe aus 152 Seiten  - nach oben

Details

Titel
Strukturlernen graphbasierter Modelle auf der Basis verteilten Wissens
Hochschule
Technische Universität Dortmund
Note
1,0
Autor
Manuel Neubach (Autor:in)
Erscheinungsjahr
2005
Seiten
152
Katalognummer
V77711
ISBN (eBook)
9783638820998
Sprache
Deutsch
Schlagworte
Strukturlernen Modelle Basis Wissens
Produktsicherheit
GRIN Publishing GmbH
Arbeit zitieren
Manuel Neubach (Autor:in), 2005, Strukturlernen graphbasierter Modelle auf der Basis verteilten Wissens, München, GRIN Verlag, https://www.hausarbeiten.de/document/77711
Blick ins Buch
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
Leseprobe aus  152  Seiten
Hausarbeiten logo
  • Facebook
  • Instagram
  • TikTok
  • Shop
  • Tutorials
  • FAQ
  • Zahlung & Versand
  • Über uns
  • Contact
  • Datenschutz
  • AGB
  • Impressum
  • Vertrag widerrufen