• English
    • Deutsch
  • English 
    • English
    • Deutsch
  • Login
View Item 
  •   Home
  • Universität Ulm
  • Publikationen
  • View Item
  •   Home
  • Universität Ulm
  • Publikationen
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Wissensgewinnung auf Bayes-Netz-Mengen

Thumbnail
vts_4366.pdf (2.457Mb)
254 Seiten
Veröffentlichung
2004-07-09
Authors
Borth, Michael
Dissertation


Faculties
Fakultät für Informatik
Abstract
In der DaimlerChrysler Forschung wird an verschiedenen Szenarien gearbeitet, in denen große Anzahlen von Bayes-Netzen entstehen, also graphische Modelle mit zugeordneten Wahrscheinlichkeitsverteilungen, welche schnelle und effiziente Inferenz ermöglichen. Diese Bayes-Netze stellen zentrale Bestandteile von Expertensystemen dar, die komplexe Interaktionen von unsicheren Informationen verarbeiten, beispielsweise zur Diagnose technischer Systeme. Jedes Netz beschreibt ein spezifisches System und ist durch maschinelles Lernen an dessen Eigenschaften angepasst, wie der typischen Einsatzart oder der Nutzungsgeschichte. Die so entstehende Bayes-Netz-Menge umfasst ähnliche Netze, die alle die gleiche Systemart beschreiben, sich aber aufgrund der Anpassungen in wichtigen Details unterscheiden. Das Ziel der durchgeführten Arbeit ist es nun, Wissen sowohl über diese Anpassungen zu gewinnen, wie auch über die Fakten und Umstände, die zu ihnen führten und damit über die betrachteten Systeme selbst. Dieses Wissen soll dazu dienen, die Systeme und die eingesetzten Expertensysteme zu verbessern. Dazu ist eine neue Art der Wissensgewinnung durch maschinelles Lernen nötig, die eine Menge von ähnlichen Bayes-Netzen als Eingabe nutzt und mit kontext-sensitiven Verfahren Informationen über die Netze und über Muster und Strukturen in der Bayes-Netz-Menge ableitet. Die vorgestellte Arbeit umfasst die Entwicklung der dazu nötigen Prozesse, Verfahren und Algorithmen sowie Werkzeuge (Datenbanken und Software). Die zentrale Komponente dabei ist ein mehrstufiges Lernverfahren, welches Teile von Bayes-Netzen aufspürt, die in relevanter Häufigkeit auftreten, dabei signifikante Informationen codieren, und "typisch" für eine Teilgruppe der betrachteten Systeme sind.
Date created
2004
Subject headings
[GND]: Bayes-Netz | DaimlerChrysler AG | Data Mining | Graphisches Modell | Informatik | Künstliche Intelligenz | Maschinelles Lernen
[LCSH]: Bayesian statistical decision theory | Mathematical statistics
[Free subject headings]: CarMining | Lernen auf Modellen
License
Standard (Fassung vom 03.05.2003)
https://oparu.uni-ulm.de/xmlui/license_v1

Metadata
Show full item record

DOI & citation

Please use this identifier to cite or link to this item: http://dx.doi.org/10.18725/OPARU-313

Borth, Michael (2004): Wissensgewinnung auf Bayes-Netz-Mengen. Open Access Repositorium der Universität Ulm und Technischen Hochschule Ulm. Dissertation. http://dx.doi.org/10.18725/OPARU-313
Citation formatter >



Policy | kiz service OPARU | Contact Us
Impressum | Privacy statement
 

 

Advanced Search

Browse

All of OPARUCommunities & CollectionsPersonsInstitutionsPublication typesUlm SerialsDewey Decimal ClassesEU projects UlmDFG projects UlmOther projects Ulm

My Account

LoginRegister

Statistics

View Usage Statistics

Policy | kiz service OPARU | Contact Us
Impressum | Privacy statement