| 2.1 | Beispiele für wissensbasierte Systeme |
| 2.1.1 Geldabheben am Automaten |
| 2.1.2 Medizinische Diagnose |
| 2.2 | Wissensbasierte Systeme und Expertensysteme |
| 2.3 | Eigenschaften von Experten und Expertensystemen |
| 2.4 | Zur Geschichte wissensbasierter Systeme |
| 2.5 | Das medizinische Diagnosesystem MYCIN |
| 2.6 | Aufbau und Entwicklung wissensbasierter Systeme |
| 2.6.1 Architektur eines wissensbasierten Systems |
| 2.6.2 Entwicklung eines wissensbasierten Systems |
| 3.1 | Formen der Inferenz |
| 3.1.1 Menschliches Schließen und Inferenz |
| 3.1.2 Charakterisierung der Inferenzrelation nach Peirce |
| 3.1.3 Deduktives Schließen |
| 3.1.4 Unsicheres Schließen |
| 3.2 | Logische Systeme |
| 3.2.1 Signaturen |
| 3.2.2 Formeln |
| 3.2.3 Interpretationen |
| 3.2.4 Erfüllungsrelation |
| 3.3 | Eigenschaften klassisch-logischer Systeme |
| 3.3.1 Erfüllungsrelation und Wahrheitsfunktionalität |
| 3.3.2 Modelle und logische Folgerung |
| 3.3.3 Inferenzregeln und Kalküle |
| 3.3.4 Korrektheit und Vollständigkeit von Kalkülen |
| 3.3.5 Logisches Folgern durch Widerspruch |
| 3.3.6 Entscheidbarkeitsresultate |
| 3.4 | Logische Grundlagen: Aussagenlogik |
| 3.4.1 Syntax |
| 3.4.2 Semantik |
| 3.4.3 äquivalenzen und Normalformen |
| 3.4.4 Wahrheitstafeln und Ableitungen in der Aussagenlogik |
| 3.5 | Logische Grundlagen: Prädikatenlogik 1.Stufe |
| 3.5.1 Signaturen und Interpretationen |
| 3.5.2 Terme und Termauswertung |
| 3.5.3 Formeln und Formelauswertung |
| 3.5.4 äquivalenzen |
| 3.5.5 Ableitungen in der Prädikatenlogik 1.Stufe |
| 3.5.6 Normalformen |
| 3.5.7 Unifikation |
| 3.6 | Der Resolutionskalkül |
| 3.7 | Erweiterungen |
| 3.8 | Wie kommt der Delphin in den Karpfenteich? |
| 5.1 | Definition des Lernens |
| 5.2 | Klassifikation der Ansätze zum maschinellen Lernen |
| 5.2.1 Klassifikation gemäß der benutzten Lernstrategie |
| 5.2.2 Klassifikation gemäß dem gelernten Typ von Wissen |
| 5.2.3 Klassifikation gemäß dem Anwendungsbereich |
| 5.3 | Erlernen von Entscheidungsbäumen |
| 5.3.1 Entscheidungsbäume |
| 5.3.2 Erzeugung von Regeln aus Entscheidungsbäumen |
| 5.3.3 Generieren von Entscheidungsbäumen |
| 5.3.4 Bewertung des Lernerfolges und Anwendungen |
| 5.3.5 Die induktiven Lernverfahren ID3 und C4.5 |
| 5.4 | Lernen von Konzepten |
| 5.4.1 Eine Konzeptlernaufgabe |
| 5.4.2 Allgemeine Problemstellung |
| 5.4.3 Repräsentation von Beispielen und Konzepten |
| 5.4.4 Lernen von Konzepten als Suchproblem |
| 5.4.5 Versionenräume |
| 5.4.6 Das Versionenraum-Lernverfahren |
| 5.4.7 Anwendungsbeispiel |
| 5.4.8 Eigenschaften des Versionenraum-Lernverfahrens |
| 5.4.9 Konzeptlernen mit Merkmalsbäumen |
| 5.5 | Data Mining und Wissensfindung in Daten |
| 5.5.1 KDD -- Knowledge Discovery in Databases |
| 5.5.2 Der KDD-Prozess |
| 5.5.3 Data Mining |
| 5.5.4 Assoziationsregeln |
| 5.5.5 Warenkorbanalyse |
| 6.1 | Motivation |
| 6.2 | Ein Beispiel |
| 6.3 | Fallbasiertes Schließen und CBR-Systeme |
| 6.3.1 Grundzüge des fallbasierten Schließens |
| 6.3.2 CBR-Systeme |
| 6.3.3 Anwendungsgebiete des fallbasierten Schließens |
| 6.3.4 Fallbasiertes Schließen im Vergleich mit anderen Methoden |
| 6.3.5 Die Grundtypen fallbasierten Schließens |
| 6.4 | Der Prozess des fallbasierten Schließens |
| 6.4.1 Der CBR-Zyklus |
| 6.4.2 Die Prozesse im Einzelnen |
| 6.5 | Die Repräsentation von Fällen |
| 6.5.1 Die Komponenten eines Falles |
| 6.5.2 Problem- und Situationsbeschreibung |
| 6.5.3 Die Repräsentation von Lösungen |
| 6.5.4 Das Resultat eines Falles |
| 6.5.5 Methoden der Fallrepräsentation |
| 6.6 | Die Indizierung von Fällen |
| 6.6.1 Das Indexvokabular |
| 6.6.2 Die Kennzeichnung eines Falles durch Indizes |
| 6.7 | Suche nach geeigneten Fällen |
| 6.8 | Organisationsformen der Fallbasis |
| 6.9 | Die Bestimmung der ähnlichkeit |
| 6.9.1 Die Hamming-ähnlichkeit |
| 6.9.2 Die gewichtete Hamming-ähnlichkeit |
| 6.9.3 Verallgemeinerte ähnlichkeiten |
| 6.9.4 Beispiel: ähnlichkeiten im PATDEX/2 - System |
| 6.9.5 Andere ähnlichkeitsbestimmungen |
| 6.10 | Adaption |
| 6.10.1 Substitutionsmethoden |
| 6.10.2 Andere Adaptionsmethoden |
| 6.11 | Wie ein fallbasiertes System lernt |
| 6.12 | Einige abschließende Bemerkungen |
| 7.1 | Die Rolle des nichtmonotonen Schließens in der KI |
| 7.2 | Monotone vs. nichtmonotone Logik |
| 7.3 | Truth Maintenance-Systeme |
| 7.4 | Justification-based Truth Maintenance-Systeme -- JTMS |
| 7.4.1 In's und Out's -- die Grundbegriffe eines JTMS |
| 7.4.2 Der JTMS-Algorithmus |
| 7.4.3 Anwendungsbeispiele |
| 7.4.4 Die JTMS-Inferenzrelation |
| 7.5 | Assumption-based Truth Maintenance-Systeme -- ATMS |
| 7.5.1 Grundbegriffe |
| 7.5.2 Arbeitsweise eines ATMS |
| 7.6 | Verschiedene TMS im Vergleich |
| 7.7 | Ausblicke |
| 8.1 | Default-Logik nach Reiter |
| 8.1.1 Aussehen und Bedeutung eines Defaults |
| 8.1.2 Die Syntax der Default-Logik |
| 8.1.3 Die Semantik der Default-Logik |
| 8.1.4 Ein operationaler Zugang zu Extensionen |
| 8.1.5 Prozessbäume |
| 8.1.6 Berechnung von Prozessbäumen |
| 8.1.7 Eigenschaften der Reiter'schen Default-Logik |
| 8.1.8 Normale Defaults |
| 8.2 | Die Poole'sche Default-Logik |
| 8.3 | Nichtmonotone Inferenzrelationen für Default-Logiken |
| 8.4 | Probleme und Alternativen |
| 9.1 | Klassische logische Programme |
| 9.2 | Anfragen und Antwortsubstitutionen |
| 9.3 | Resolution von Hornklauseln |
| 9.3.1 SLD-Ableitungen |
| 9.3.2 Berechnete Antwortsubstitutionen |
| 9.3.3 Suchraum bei der SLD-Resolution |
| 9.4 | Fixpunktsemantik logischer Programme |
| 9.5 | Erweiterte logische Programme |
| 9.6 | Die stabile Semantik normaler logischer Programme |
| 9.7 | Die Antwortmengen-Semantik erweiterter logischer Programme |
| 9.8 | Stabile Semantik und Antwortmengensemantik |
| 9.9 | Truth Maintenance-Systeme und Default-Theorien |
| 9.10 | Erweiterungen der Antwortmengensemantik |
| 9.11 | Implementationen und Anwendungen |
| 9.12 | Kriterien zur Beurteilung nichtmonotoner Inferenzoperationen |
| 9.13 | Rückblick |
| 10.1 | Planen in der Blockwelt |
| 10.2 | Logische Grundlagen des Planens |
| 10.3 | Der Situationskalkül |
| 10.3.1 Aktionen |
| 10.3.2 Situationen |
| 10.3.3 Veränderungen zwischen Situationen |
| 10.3.4 Ausführungsbedingungen und Effektaxiome |
| 10.3.5 Zielbeschreibungen |
| 10.4 | Probleme |
| 10.4.1 Das Rahmenproblem |
| 10.4.2 Das Qualifikationsproblem |
| 10.4.3 Das Verzweigungsproblem |
| 10.5 | Plangenerierung im Situationskalkül |
| 10.6 | Planen mit STRIPS |
| 10.6.1 Zustände und Zielbeschreibungen |
| 10.6.2 STRIPS-Operatoren |
| 10.6.3 Planen mit Vorwärtssuche |
| 10.6.4 Planen mit Rückwärtssuche |
| 10.6.5 Behandlung des Rahmenproblems in STRIPS |
| 10.7 | Nichtklassische Planungssysteme |
| 10.8 | Planen mit Antwortmengen |
| 10.8.1 Systeme zur Berechnung von Antwortmengen |
| 10.8.2 Planen mit SMODELS |
| 10.8.3 Behandlung des Rahmenproblems |
| 10.9 | Autonome Agenten und Anwendungen |
| 12.1 | Ungerichtete Graphen -- Markov-Netze |
| 12.1.1 Separation in Graphen und probabilistische Unabhängigkeit |
| 12.1.2 Markov-Eigenschaften und Markov-Graphen |
| 12.1.3 Konstruktion von Markov-Graphen |
| 12.1.4 Potential- und Produktdarstellungen |
| 12.2 | Gerichtete Graphen -- Bayessche Netze |
| 12.3 | Inferenz in probabilistischen Netzen |
| 12.3.1 Bayes-Netze und Potentialdarstellungen |
| 12.3.2 Der permanente Cliquenbaum als Wissensbasis |
| 12.3.3 Der Algorithmus von Lauritzen und Spiegelhalter |
| 12.3.4 Berücksichtigung fallspezifischer Daten |
| 12.4 | Bayessche Netzwerke in praktischen Anwendungen |
| 12.5 | Erlernen Bayesscher Netze aus Daten |
| 12.6 | Probabilistische Inferenz unter informationstheoretischen Aspekten |
| 12.7 | Weitere Anwendungen |
| 12.7.1 Proteinklassifikation mittels Hidden Markov Models (HMM) |
| 12.7.2 Herzerkrankungen bei Neugeborenen |
| 12.7.3 Suchterkrankungen und psychische Störungen |