Glossar Der KI

Machine Translated by Google
Glossar der künstlichen Intelligenz
Dieses Glossar der künstlichen Intelligenz ist eine Liste von Definitionen von Begriffen und Konzepten, die für das Studium der
künstlichen Intelligenz, ihrer Unterdisziplinen und verwandter Bereiche relevant sind. Zu den verwandten Glossaren gehören das Glossar
der Informatik , das Glossar der Robotik und das Glossar der maschinellen Bildverarbeitung.
A
Abduktive Logikprogrammierung (ALP)
Ein Wissensrepräsentationsrahmen auf hoher Ebene, der zur deklarativen Lösung von Problemen auf der Grundlage
abduktiven Denkens verwendet werden kann. Es erweitert die normale Logikprogrammierung, indem es zulässt, dass
einige Prädikate unvollständig definiert und als abduzierbare Prädikate deklariert werden. abduktives Denken
Eine Form der logischen Schlussfolgerung , die mit einer Beobachtung oder einer Reihe von Beobachtungen beginnt und
dann versucht, die einfachste und wahrscheinlichste Erklärung zu finden. Dieser Prozess führt im Gegensatz zum
deduktiven Denken zu einer plausiblen Schlussfolgerung, bestätigt diese jedoch nicht positiv . [1] abduktive Inferenz, [1]
oder Retroduktion [2] abstrakter Datentyp
Ein mathematisches Modell

für Datentypen, bei dem ein Datentyp durch sein Verhalten (Semantik) aus der Sicht eines Datenbenutzers definiert
wird, insbesondere im Hinblick auf mögliche Werte, mögliche Operationen an Daten dieses Typs und das Verhalten von
diese Operationen.
Abstraktion
Der Prozess des Entfernens physischer, räumlicher oder zeitlicher Details [3] oder Attributenbei der Untersuchung von Objekten
oder Systemen , um sich stärker auf andere interessante Details zu konzentrieren[4] und so den Wandel
beschleunigt Eine
wahrgenommene Zunahme der Geschwindigkeit des technologischen Wandels im Laufe der Geschichte, die möglicherweise
auf einen schnelleren und tiefgreifenderen Wandel in der Zukunft hindeutet und möglicherweise mit einem
ebenso tiefgreifenden sozialen und kulturellen Wandel einhergeht oder auch nicht.
Aktionssprache Eine
Sprache zur Spezifizierung von Zustandsübergangssystemen, die häufig zur Erstellung formaler Modelle der Auswirkungen von
Handlungen auf die Welt verwendet wird. [5] Aktionssprachen werden häufig in den Bereichen künstliche Intelligenz und
Robotik verwendet, wo sie beschreiben, wie Aktionen den Zustand von Systemen im Laufe der Zeit beeinflussen, und für die
automatisierte Planung verwendet werden können. Lernen von Aktionsmodellen Ein Bereich des
maschinellen Lernens, der sich

mit der Erstellung und Änderung des Wissens eines Software-Agenten über die Auswirkungen und Voraussetzungen der
Aktionen befasst, die in seiner Umgebung ausgeführt werden können. Dieses Wissen wird normalerweise in einer logikbasierten
Aktionsbeschreibungssprache dargestellt und als Eingabe für automatisierte Planer verwendet.
Aktionsauswahl
Eine Möglichkeit, das grundlegendste Problem intelligenter Systeme zu charakterisieren: Was ist als nächstes zu tun? In der
künstlichen Intelligenz und der computergestützten Kognitionswissenschaft wird das „Aktionsauswahlproblem“ typischerweise
mit intelligenten Agenten und Animationen in Verbindung gebracht – künstlichen Systemen, die in einer Agentenumgebung
komplexes Verhalten zeigen.
Aktivierungsfunktion
In künstlichen neuronalen Netzen definiert die Aktivierungsfunktion eines Knotens die Ausgabe dieses Knotens bei
gegebener Eingabe oder einem Satz von
Eingaben. adaptiver
Algorithmus Ein Algorithmus, der sein Verhalten zum Zeitpunkt seiner Ausführung ändert, basierend auf einem
zuvor definierten Belohnungsmechanismus oder -kriterium.
Adaptives Neuro-Fuzzy-Inferenzsystem (ANFIS)
Eine Art künstliches neuronales Netzwerk, das auf dem Takagi-Sugeno-Fuzzy- Inferenzsystem basiert.
Die Technik wurde Anfang der 1990er Jahre entwickelt.[6][7] Da es sowohl neuronale Netze als auch Fuzzy-Logik-
Prinzipien integriert, besteht das Potenzial, die Vorteile beider in einem einzigen Framework zu erfassen. Sein
Inferenzsystem entspricht einer Reihe von Fuzzy -IF-DANN-Regeln , die lernfähig sind, um nichtlineare Funktionen
anzunähern.[8] Daher gilt ANFIS als universeller Schätzer. [9] Um das ANFIS effizienter und optimaler zu
nutzen, können die besten Parameter verwendet werden, die durch einen genetischen Algorithmus gewonnen
wurden. [10][11]
zulässige Heuristik In der
Informatik, insbesondere bei Algorithmen im Zusammenhang mit der Wegfindung , gilt eine heuristische Funktion als
zulässig, wenn sie die Kosten für das Erreichen des Ziels niemals überschätzt, d Punkt im Weg. [12] Affektives Rechnen
Das Studium und die Entwicklung von Systemen und Geräten, die menschliche Affekte erkennen, interpretieren, verarbeiten
und simulieren können. Affective Computing ist ein interdisziplinäres Gebiet, das Informatik, Psychologie und
Kognitionswissenschaft umfasst. [13][14]
Agentenarchitektur Ein
Entwurf für Softwareagenten und intelligente Steuerungssysteme, der die Anordnung der Komponenten darstellt. Die von
intelligenten Agenten implementierten Architekturen werden als kognitive Architekturen bezeichnet. [15]
KI-Beschleuniger
Eine Klasse von Mikroprozessoren [16] oder Computersystem[17] , das als Hardwarebeschleunigung für Anwendungen
der künstlichen Intelligenz konzipiert ist, insbesondere künstliche neuronale Netze, maschinelles Sehen und maschinelles
Lernen.
KI-komplett Im
Bereich der künstlichen Intelligenz werden die schwierigsten Probleme umgangssprachlich als „KI vollständig“ oder „KI-
schwer“ bezeichnet, was bedeutet, dass die Schwierigkeit dieser Rechenprobleme der Lösung des zentralen
Problems der künstlichen Intelligenz entspricht – Computer so intelligent zu machen wie Menschen oder starke KI. [18]
Ein Problem als KI-vollständig zu bezeichnen, spiegelt die Einstellung wider, dass es nicht durch einen einfachen
spezifischen Algorithmus gelöst werden würde. Algorithmus Eine eindeutige
Spezifikation
zur Lösung einer Klasse von Problemen. Algorithmen können Berechnungs-, Datenverarbeitungs- und automatisierte
Argumentationsaufgaben ausführen. algorithmische Effizienz Eine Eigenschaft
eines Algorithmus, die sich auf

die Anzahl der vom Algorithmus verwendeten Rechenressourcen bezieht. Ein Algorithmus muss analysiert werden , um
seine Ressourcennutzung zu bestimmen, und die Effizienz eines Algorithmus kann anhand der Nutzung verschiedener
Ressourcen gemessen werden.
Algorithmische Effizienz kann als Analogie zur technischen Produktivität für einen sich wiederholenden oder
kontinuierlichen Prozess betrachtet werden.
algorithmische Wahrscheinlichkeit
In der algorithmischen Informationstheorie ist die algorithmische Wahrscheinlichkeit, auch bekannt als Solomonoff-
Wahrscheinlichkeit, eine mathematische Methode, einer bestimmten Beobachtung eine A-priori-
Wahrscheinlichkeit zuzuordnen . Es wurde in den 1960er Jahren von Ray Solomonoff erfunden .[19]
AlphaGo
Ein Computerprogramm , das das Brettspiel Go spielt. [20] Es wurde von Google DeepMind von Alphabet Inc. in London
entwickelt. AlphaGo hat mehrere Versionen, darunter AlphaGo Zero, AlphaGo Master, AlphaGo Lee, usw.[21] Im
Oktober 2015 war AlphaGo das erste Computer-Go- Programm, das einen menschlichen professionellen Go-
Spieler ohne Handicaps auf einem 19×19-Brett in voller Größe besiegte . [22][23]
Umgebungsintelligenz (AmI)
Elektronische Umgebungen, die sensibel sind und auf die Anwesenheit von Menschen reagieren. Analyse von
Algorithmen Die Bestimmung

der Rechenkomplexität von Algorithmen, d. h. der Menge an Zeit, Speicher und/oder anderen Ressourcen, die für ihre
Ausführung erforderlich sind. Normalerweise geht es dabei um die Bestimmung einer Funktion , die die Länge der
Eingabe eines Algorithmus mit der Anzahl der erforderlichen Schritte (seine zeitliche Komplexität) oder der Anzahl der
verwendeten Speicherorte (seine räumliche Komplexität) in Beziehung setzt. Analytik Die Entdeckung,
Interpretation
und
Kommunikation sinnvoller Muster in Daten. Antwortsatzprogrammierung (ASP)
Eine Form der deklarativen Programmierung, die sich an schwierigen (hauptsächlich NP-schweren) Suchproblemen
orientiert . Es basiert auf der Semantik des stabilen Modells (Antwortsatz) der Logikprogrammierung. In ASP werden
Suchprobleme auf die Berechnung stabiler Modelle reduziert, und Antwortsatzlöser – Programme zur Generierung stabiler
Modelle – werden zur Durchführung der Suche verwendet.
Jederzeit-Algorithmus
Ein Algorithmus, der eine gültige Lösung für ein Problem zurückgeben kann, selbst wenn es vor seinem Ende unterbrochen
wird.
Anwendungsprogrammierschnittstelle (API)
Eine Reihe von Unterprogrammdefinitionen, Kommunikationsprotokollen und Tools zum Erstellen von Software. Im
Allgemeinen handelt es sich um eine Reihe klar definierter Kommunikationsmethoden zwischen verschiedenen
Komponenten. Eine gute API erleichtert die Entwicklung eines Computerprogramms , indem sie alle Bausteine bereitstellt,
die dann vom Programmierer zusammengesetzt werden. Eine API kann z ein webbasiertes System, Betriebssystem,
Datenbanksystem, Computerhardware oder Softwarebibliothek . ungefähre Zeichenfolgenübereinstimmung
Die Technik zum Finden von Zeichenfolgen , die ungefähr (und nicht genau) mit einem Muster übereinstimmen .
Das Problem der ungefähren Zeichenfolgenübereinstimmung ist typischerweise in zwei Teilprobleme unterteilt: das
Finden ungefährer Teilzeichenfolgenübereinstimmungen innerhalb einer bestimmten Zeichenfolge und das Finden von
Wörterbuchzeichenfolgen, die ungefähr mit dem
Muster übereinstimmen.
Näherungsfehler Die Diskrepanz zwischen einem genauen Wert und einer Annäherung daran.
Argumentationsrahmen
Eine Möglichkeit, mit umstrittenen Informationen umzugehen und daraus Schlussfolgerungen zu ziehen. In einem
abstrakten Argumentationsrahmen[24] handelt es sich bei Informationen auf Einstiegsebene um eine Reihe abstrakter
Argumente, die beispielsweise Daten oder eine Aussage darstellen. Konflikte zwischen Argumenten werden durch eine
binäre Beziehung auf der Menge der Argumente dargestellt. Konkret stellen Sie ein Argumentationsgerüst
mit einem gerichteten Graphen dar, sodass die Knoten die Argumente sind.
und die Pfeile stellen die Angriffsbeziehung dar. Es gibt einige Erweiterungen des Dungs-Frameworks, wie die
logikbasierten Argumentationsframeworks[25] oder die wertbasierten Argumentationsframeworks.[26]
Künstliche allgemeine Intelligenz
(AGI) Künstliches Immunsystem (AIS)
Eine Klasse rechenintelligenter, regelbasierter maschineller Lernsysteme, die von den Prinzipien und Prozessen
des Immunsystems von Wirbeltieren inspiriert sind. Die Algorithmen sind in der Regel den Lern- und
Gedächtniseigenschaften des Immunsystems nachempfunden, um sie bei der Problemlösung zu verwenden.
Künstliche Intelligenz (KI)
Jede von Maschinen gezeigte Intelligenz im Gegensatz zur natürlichen Intelligenz von Menschen und
anderen Tieren. In der Informatik wird KI-Forschung als das Studium „intelligenter Agenten“ definiert: jedes Gerät,
das seine Umgebung wahrnimmt und Maßnahmen ergreift, die seine Chancen maximieren, seine Ziele
erfolgreich zu erreichen.[27] Umgangssprachlich wird der Begriff „künstliche Intelligenz“ verwendet, wenn eine
Maschine „kognitive“ Funktionen nachahmt, die Menschen mit dem Geist anderer Menschen assoziieren, etwa
„Lernen“ und „Problemlösen“. [28]
Auszeichnungssprache für künstliche Intelligenz

Ein XML- Dialekt zum Erstellen von Softwareagenten in natürlicher Sprache.
Künstliches neuronales Netzwerk (ANN)
Jedes Computersystem, das vage von den biologischen neuronalen Netzwerken inspiriert ist, aus denen tierische
Gehirne bestehen.
Verein zur Förderung der künstlichen Intelligenz (AAAI)

Eine internationale, gemeinnützige, wissenschaftliche Gesellschaft, die sich der Förderung der Forschung
und des verantwortungsvollen Einsatzes von künstlicher Intelligenz widmet. AAAI zielt außerdem darauf ab, das
öffentliche Verständnis für künstliche Intelligenz (KI) zu verbessern, die Lehre und Ausbildung von KI-
Praktikern zu verbessern und Forschungsplanern und Forschungsplanern Orientierung zu geben Geldgeber
über die Bedeutung und das Potenzial aktueller KI-Entwicklungen und
zukünftiger Richtungen.[29] asymptotische Rechenkomplexität
In der Theorie der rechnerischen Komplexität ist asymptotische rechnerische Komplexität die Verwendung der
asymptotischen Analyse zur Schätzung der rechnerischen Komplexität von Algorithmen und Rechenproblemen,
die üblicherweise mit der Verwendung der großen O-Notation verbunden ist.
Attributionsrechnung Ein
von Ryszard S. Michalski definiertes Logik- und Darstellungssystem. Es kombiniert Elemente der Prädikatenlogik,
der Aussagenlogik und der mehrwertigen Logik. Die Attributionsrechnung bietet eine formale Sprache für die
natürliche Induktion, einen induktiven Lernprozess, dessen Ergebnisse in für Menschen natürlichen Formen
vorliegen. Augmented Reality (AR)
Ein interaktives Erlebnis einer realen Umgebung, in der die Objekte, die sich in der realen Welt
befinden, durch computergenerierte Wahrnehmungsinformationen „erweitert“ werden, manchmal
über mehrere Sinnesmodalitäten, einschließlich visueller, akustischer, haptischer, somatosensorischer
und
olfaktorischer . [30]
Automatentheorie Das Studium abstrakter Maschinen und Automaten sowie der Rechenprobleme ,
die mit ihnen gelöst werden können. Es handelt sich um eine Theorie der theoretischen
Informatik und der diskreten Mathematik (ein Studienfach sowohl in der Mathematik als auch in der Informatik).
automatisiertes maschinelles Lernen (AutoML)
Ein Bereich des maschinellen Lernens, dessen Ziel es ist, ein maschinelles Lernsystem automatisch zu konfigurieren,
um seine Leistung zu maximieren (z. B. Klassifizierungsgenauigkeit). automatisierte
Planung und Terminierung
Ein Zweig der künstlichen Intelligenz, der sich mit der Umsetzung von Strategien oder Aktionssequenzen befasst,
typischerweise zur Ausführung durch intelligente Agenten, autonome Roboter und unbemannte Fahrzeuge. Im
Gegensatz zu klassischen Kontroll- und Klassifizierungsproblemen sind die Lösungen komplex und müssen im
mehrdimensionalen Raum entdeckt und optimiert werden. Planung ist auch mit der Entscheidungstheorie verbunden [31] .
automatisiertes Denken Ein Bereich der
Informatik und mathematischen

Logik , der sich dem Verständnis verschiedener Aspekte des Denkens widmet. Das Studium des automatisierten Denkens
hilft bei der Erstellung von Computerprogrammen , die es Computern ermöglichen, vollständig oder nahezu
vollständig automatisch zu argumentieren.
Obwohl automatisiertes Denken als Teilgebiet der künstlichen Intelligenz gilt, weist es auch Verbindungen zur theoretischen
Informatik und sogar zur Philosophie auf.
Autonomes Computing (AC)

Die selbstverwaltenden Eigenschaften verteilter Computerressourcen , die sich an unvorhersehbare Änderungen
anpassen und gleichzeitig die intrinsische Komplexität für Betreiber und Benutzer verbergen. Diese 2001 von IBM ins
Leben gerufene Initiative zielte letztlich darauf ab, Computersysteme zu entwickeln, die zur Selbstverwaltung fähig sind,
um die schnell wachsende Komplexität der Computersystemverwaltung zu überwinden und die Hürde zu verringern,
die die Komplexität für weiteres Wachstum darstellt. [32]
autonomes Auto
Ein Fahrzeug, das in der Lage ist, seine Umgebung zu erfassen und sich mit wenig oder gar keinem menschlichen
Einsatz
fortzubewegen [33][34][35]
Eingabe. autonomer Roboter Ein Roboter , der Verhaltensweisen oder Aufgaben mit einem hohen Maß an Autonomie
ausführt. Autonome Robotik wird üblicherweise als Teilgebiet der künstlichen Intelligenz, Robotik und
Informationstechnik betrachtet. [36]
B
Rückausbreitung Eine
Methode, die in künstlichen neuronalen Netzwerken verwendet wird, um einen Gradienten zu berechnen, der für die
Berechnung der im Netzwerk zu verwendenden Gewichte erforderlich ist.[37] Backpropagation ist eine Abkürzung für „die
Rückwärtsausbreitung von Fehlern“, da ein Fehler am Ausgang berechnet und rückwärts über die Netzwerkschichten
verteilt wird. Es wird üblicherweise zum Trainieren tiefer neuronaler Netze verwendet, [38] ein Begriff, der sich auf neuronale
Netze mit mehr als einer verborgenen Schicht bezieht. [39] Rückausbreitung durch die Zeit (BPTT)
Eine auf Gradienten basierende Technik zum Trainieren bestimmter Arten wiederkehrender neuronaler Netze. Es kann zum
Trainieren von Elman-Netzwerken verwendet werden. Der Algorithmus wurde von zahlreichen Forschern unabhängig
voneinander abgeleitet [40][41][42]
Rückwärtsverkettung
Eine Schlussfolgerungsmethode , die umgangssprachlich als Rückwärtsarbeit vom Ziel beschrieben wird. Es wird in
automatisierten Theorembeweisern, Inferenzmaschinen, Beweisassistenten und anderen Anwendungen der künstlichen
Intelligenz verwendet.[43]
Bag-of-Words-Modell Eine
vereinfachende Darstellung, die bei der Verarbeitung natürlicher Sprache und beim Informationsabruf (IR) verwendet wird. In
diesem Modell wird ein Text (z. B. ein Satz oder ein Dokument) als Beutel (Multimenge) seiner Wörter dargestellt , wobei
Grammatik und sogar Wortreihenfolge außer Acht gelassen werden, aber die Vielfältigkeit erhalten bleibt.
Das Bag-of-Words-Modell wurde auch für Computer Vision verwendet. [44] Das Bag-of-Words-Modell wird üblicherweise
in Methoden der Dokumentenklassifizierung verwendet , bei denen die (Häufigkeit des) Vorkommens jedes Wortes als
Merkmal für das Training eines Klassifikators verwendet wird. [45] Bag-of-Words-Modell in der
Computer Vision
In der Computer Vision kann das Bag-of-Words-Modell (BoW-Modell) auf die Bildklassifizierung angewendet
werden , indem Bildmerkmale als Wörter behandelt werden. Bei der Dokumentenklassifizierung ist ein Wortbeutel ein
spärlicher Vektor für die Häufigkeit des Vorkommens von Wörtern. das heißt, ein spärliches Histogramm über den
Wortschatz. In der Computer Vision ist eine Tüte mit visuellen Wörtern ein Vektor für die Anzahl der Vorkommen eines
Vokabulars lokaler Bildmerkmale.
Batch-Normalisierung Eine
Technik zur Verbesserung der Leistung und Stabilität künstlicher neuronaler Netze. Es handelt sich um eine Technik, um
jede Schicht in einem neuronalen Netzwerk mit Eingaben zu versorgen, deren Mittelwert/Einheitsvarianz Null ist. [46]
Die Batch-Normalisierung wurde in einem Artikel aus dem Jahr 2015 eingeführt. [47][48] Es wird
verwendet, um die Eingabeebene durch Anpassen und Skalieren der Aktivierungen zu normalisieren.[49]
Bayesianische Programmierung
Ein Formalismus und eine Methodik für eine Technik zur Spezifizierung probabilistischer Modelle und zur Lösung von
Problemen, wenn weniger als die erforderlichen Informationen verfügbar sind.
Bienen-Algorithmus
Ein bevölkerungsbasierter Suchalgorithmus, der von Pham, Ghanbarzadeh und et al. entwickelt wurde. im Jahr 2005. [50] Es
ahmt das Futtersuchverhalten von Honigbienenvölkern nach. In seiner Grundversion führt der Algorithmus eine Art
Nachbarschaftssuche kombiniert mit einer globalen Suche durch und kann sowohl für die kombinatorische Optimierung
als auch für die kontinuierliche Optimierung verwendet werden.
Die einzige Bedingung für die Anwendung des Bees-Algorithmus besteht darin, dass ein gewisses Maß für den
Abstand zwischen den Lösungen definiert ist. Die Wirksamkeit und spezifischen Fähigkeiten des Bees-Algorithmus wurden
in einer Reihe von Studien nachgewiesen.[51][52][53][54] Verhaltensinformatik (BI)
Die Verhaltensinformatik, um Verhaltensintelligenz und Verhaltenseinblicke zu erhalten.[55] Verhaltensbaum

(BT)
Ein mathematisches Modell der Planausführung, das in der Informatik, Robotik, Steuerungssystemen und
Videospielen verwendet wird. Sie beschreiben modulare Wechsel zwischen einem endlichen Satz von Aufgaben. Ihre
Stärke liegt in ihrer Fähigkeit, sehr komplexe Aufgaben aus einfachen Aufgaben zu erstellen, ohne sich Gedanken
darüber machen zu müssen, wie die einfachen Aufgaben umgesetzt werden. BTs weisen einige Ähnlichkeiten mit
hierarchischen Zustandsmaschinen auf, mit dem entscheidenden Unterschied, dass der Hauptbaustein eines Verhaltens
eine Aufgabe und nicht ein Zustand ist. Durch die einfache Verständlichkeit für den Menschen sind BTs weniger
fehleranfällig und in der Spieleentwickler-Community sehr beliebt. Es hat sich gezeigt, dass BTs mehrere andere
Steuerungsarchitekturen verallgemeinern.[56][57] Glauben-Wunsch-Absicht-Softwaremodell (BDI)
Ein Softwaremodell, das zur Programmierung intelligenter Agenten entwickelt wurde. Oberflächlich
betrachtet wird es durch die Umsetzung der Überzeugungen, Wünsche und Absichten eines Agenten
charakterisiert , tatsächlich nutzt es diese Konzepte, um ein bestimmtes Problem bei der
Agentenprogrammierung zu lösen. Im Wesentlichen stellt es einen Mechanismus bereit, um die Aktivität der
Auswahl eines Plans (aus einer Planbibliothek oder einer externen Planeranwendung) von der Ausführung aktuell aktiver Pläne
Folglich sind BDI-Agenten in der Lage, die Zeit, die sie für die Beratung über Pläne (auswählen, was zu tun ist) und die
Ausführung dieser Pläne (es tun) aufwenden, in Einklang zu bringen. Eine dritte Aktivität, nämlich die Erstellung der
Pläne überhaupt (Planung), fällt nicht in den Geltungsbereich des Modells und bleibt dem Systemdesigner und
Programmierer überlassen.
Bias-Varianz-Kompromiss In
der Statistik und beim maschinellen Lernen ist der Bias-Varianz-Kompromiss die Eigenschaft einer Reihe von
Vorhersagemodellen, wobei Modelle mit einem geringeren Bias bei der Parameterschätzung eine höhere
Varianz der Parameterschätzungen über die Stichproben hinweg aufweisen und umgekehrt. Große
Daten Ein
Begriff, der sich auf Datensätze bezieht , die zu groß oder komplex sind, als dass herkömmliche
Datenverarbeitungsanwendungssoftware sie angemessen verarbeiten könnte. Daten mit vielen Fällen (Zeilen)
bieten eine größere statistische Aussagekraft, während Daten mit höherer Komplexität (mehr Attribute oder
Spalten) zu einer höheren Falscherkennungsrate führen können. [58]
Big-O-Notation
Eine mathematische Notation, die das begrenzende Verhalten einer Funktion beschreibt , wenn das
Argument zu einem bestimmten Wert oder zur Unendlichkeit tendiert. Es gehört zu einer Familie von Notationen, die
von Paul Bachmann erfunden wurden. [59] Edmund Landau, [60] und andere, zusammenfassend Bachmann-
Landau-Notation oder asymptotische Notation genannt. Binärbaum
Eine
Baumdatenstruktur, in der jeder Knoten höchstens zwei untergeordnete Knoten hat, die als linkes untergeordnetes
Element und rechtes untergeordnetes Element bezeichnet werden. Eine rekursive Definition , die nur Vorstellungen
der Mengentheorie verwendet, besagt, dass ein (nicht leerer) Binärbaum ein Tupel ist (L, S, R), wobei L und R
Binärbäume oder die leere Menge sind und S eine Singleton- Menge ist. [61] Einige Autoren lassen zu, dass
der Binärbaum auch die leere Menge ist. [62]
Tafelsystem Ein Ansatz

der künstlichen Intelligenz, der auf dem Blackboard-Architekturmodell [ 63][64][65][66] basiert,
bei dem eine gemeinsame Wissensbasis, das „Blackboard“, iterativ durch eine vielfältige Gruppe spezialisierter
Wissensquellen aktualisiert wird, beginnend mit einem Problem Spezifikation und endet mit einer Lösung.
Jede Wissensquelle aktualisiert das Blackboard mit einer Teillösung, wenn ihre internen Einschränkungen mit dem
Blackboard-Status übereinstimmen. Auf diese Weise arbeiten die Spezialisten gemeinsam an der Lösung des
Problems.
Boltzmann-Maschine
Eine Art stochastisches rekurrentes neuronales Netzwerk und Markov-Zufallsfeld. [67] Boltzmann-Maschinen
können als stochastisches, generatives Gegenstück zu Hopfield-Netzwerken angesehen werden.
Boolesches Erfüllbarkeitsproblem
Das Problem, festzustellen, ob es eine Interpretation gibt , die eine gegebene boolesche Formel erfüllt . Mit anderen
Worten: Es wird gefragt, ob die Variablen einer bestimmten booleschen Formel konsistent durch die Werte TRUE
oder FALSE ersetzt werden können, sodass die Formel als TRUE ausgewertet wird. Ist dies der Fall, heißt
die Formel erfüllbar. Wenn andererseits keine solche Zuweisung existiert, ist die durch die Formel ausgedrückte
Funktion für alle möglichen Variablenzuweisungen FALSCH und die Formel ist nicht erfüllbar. Beispielsweise ist die
Formel „a UND NICHT b“ erfüllbar, weil man die Werte a = WAHR und b = FALSCH finden kann, die (a UND
NICHT b) = WAHR ergeben. Im Gegensatz dazu ist „a AND NOT a“ unerfüllbar.
Gehirntechnologie
Eine Technologie, die die neuesten Erkenntnisse der Neurowissenschaften nutzt. Der Begriff wurde
erstmals vom Artificial Intelligence Laboratory in Zürich, Schweiz, im Rahmen des ROBOY-Projekts eingeführt. [68]
Brain Technology kann in Robotern,[69] Know-how-Management-Systemen [70] und jeder anderen
Anwendung mit Selbstlernfähigkeiten eingesetzt werden. Insbesondere Brain Technology-Anwendungen
ermöglichen die Visualisierung der zugrunde liegenden Lernarchitektur, die oft als „Know-how-Maps“ bezeichnet wird.
Verzweigungsfaktor
In der Informatik, bei Baumdatenstrukturen und in der Spieltheorie ist die Anzahl der Kinder an jedem Knoten der
Outdegree. Wenn dieser Wert nicht einheitlich ist, kann ein durchschnittlicher Verzweigungsfaktor berechnet werden.
Brute-Force-Suche
Eine sehr allgemeine Problemlösungstechnik und ein algorithmisches Paradigma , das darin besteht,
systematisch alle möglichen Kandidaten für die Lösung aufzuzählen und zu prüfen, ob jeder Kandidat die Aussage
des Problems erfüllt.
Kapsel-Neuronales Netzwerk (CapsNet)

Ein maschinelles Lernsystem, eine Art künstliches neuronales Netzwerk (KNN), mit dem hierarchische
Beziehungen besser modelliert werden können. Der Ansatz ist ein Versuch, die biologische neuronale
Organisation besser nachzuahmen. [71]
Fallbasiertes Denken (CBR)

Im weitesten Sinne ist es der Prozess, neue Probleme auf der Grundlage der Lösungen ähnlicher früherer
Probleme zu lösen.
Chatbot
Ein Computerprogramm oder eine künstliche Intelligenz, die ein Gespräch über auditive oder textuelle Methoden
führt.[72]
Cloud-Robotik
Ein Bereich der Robotik , der versucht, Cloud-Technologien wie Cloud Computing, Cloud-Speicher und andere
Internettechnologien zu nutzen , wobei der Schwerpunkt auf den Vorteilen konvergenter Infrastruktur und
gemeinsamer Dienste für die Robotik liegt. Wenn Roboter mit der Cloud verbunden sind, können sie von den
leistungsstarken Rechen-, Speicher- und Kommunikationsressourcen moderner Rechenzentren in der Cloud
profitieren, die Informationen von verschiedenen Robotern oder Agenten (andere Maschinen, intelligente Objekte,
Menschen usw.) verarbeiten und teilen können. . Menschen können Aufgaben auch aus der Ferne über
Netzwerke an Roboter delegieren. Cloud-Computing-Technologien ermöglichen es, Robotersysteme mit
leistungsstarken Fähigkeiten auszustatten und gleichzeitig die Kosten durch Cloud-Technologien zu senken.
Dadurch ist es möglich, leichte, kostengünstige und intelligentere Roboter zu bauen, die über ein intelligentes
„Gehirn“ in der Cloud verfügen. Das „Gehirn“ besteht aus Rechenzentrum, Wissensdatenbank,
Aufgabenplanern, Deep Learning, Informationsverarbeitung, Umgebungsmodellen,
Kommunikationsunterstützung usw.[73][74][75][76]
Clusteranalyse
Die Aufgabe, eine Menge von Objekten so zu gruppieren, dass Objekte in derselben Gruppe (Cluster genannt)
einander (in gewissem Sinne) ähnlicher sind als denen in anderen Gruppen (Clustern). Es ist eine
Hauptaufgabe des explorativen Data Mining und eine gängige Technik zur statistischen Datenanalyse,
die in vielen Bereichen eingesetzt wird, darunter maschinelles Lernen, Mustererkennung , Bildanalyse,
Informationsabruf, Bioinformatik, Datenkomprimierung und Computergrafik.
Spinnennetz
Ein inkrementelles System für hierarchisches konzeptionelles Clustering. COBWEB wurde von Professor Douglas
H. Fisher erfunden, der derzeit an der Vanderbilt University arbeitet. [77][78] COBWEB organisiert
Beobachtungen schrittweise in einem Klassifizierungsbaum. Jeder Knoten in einem
Klassifizierungsbaum stellt eine Klasse (Konzept) dar und ist durch ein probabilistisches Konzept gekennzeichnet
das die Attributwertverteilungen der unter dem Knoten klassifizierten Objekte zusammenfasst. Dieser
Klassifizierungsbaum kann verwendet werden, um fehlende Attribute oder die Klasse eines neuen Objekts
vorherzusagen. [79] kognitive

Architektur Das Institute of Creative Technologies definiert kognitive Architektur als: „Hypothese über die festen
Strukturen, die einen Geist bereitstellen, sei es in natürlichen oder künstlichen Systemen, und wie sie – in
Verbindung mit dem in der Architektur verkörperten Wissen und den Fähigkeiten – zusammenarbeiten, um
intelligentes Verhalten hervorzubringen.“ eine Vielfalt komplexer Umgebungen.“ [80] Cognitive Computing
Im Allgemeinen bezieht sich
der Begriff „Cognitive Computing“ auf neue Hardware und/oder Software, die die Funktionsweise des menschlichen
Gehirns nachahmt [81][82][83][84][85][86] und hilft, die menschliche Entscheidungsfindung zu verbessern. [87][88]
In diesem Sinne ist CC eine neue Art des Rechnens mit dem Ziel, genauere Modelle dafür zu erstellen, wie das
menschliche Gehirn/Geist Reize wahrnimmt, begründet und darauf reagiert.
Kognitionswissenschaft
Die interdisziplinäre wissenschaftliche Untersuchung des Geistes und seiner Prozesse.[89]
kombinatorische Optimierung In
der Operationsforschung, der angewandten Mathematik und der theoretischen Informatik ist die
kombinatorische Optimierung ein Thema, das darin besteht, aus einer endlichen Menge von Objekten ein optimales
Objekt zu finden.[90]
Ausschussmaschine Eine
Art künstliches neuronales Netzwerk, das eine Divide-and-Conquer- Strategie verwendet, bei der die [91]
Antworten
mehrerer neuronaler Netzwerke (Experten) zu einer einzigen Antwort kombiniert werden.
Die kombinierte Reaktion der Ausschussmaschinerie soll der ihrer konstituierenden Experten
überlegen sein. Vergleichen Sie Ensembles von Klassifikatoren.
gesundes Wissen In der Forschung
zur künstlichen Intelligenz besteht das gesunde Wissen aus Fakten über die Alltagswelt, wie zum Beispiel
„Zitronen sind sauer“, die jeder Mensch kennen sollte. Das erste KI-Programm, das sich mit gesundem
Menschenverstand befasste, war Advice Taker im Jahr 1959 von John McCarthy. [92] vernünftiges Denken Ein
Zweig der
künstlichen Intelligenz, der sich mit
der Simulation der menschlichen Fähigkeit befasst, Vermutungen über die Art und das Wesen alltäglicher
Situationen anzustellen, denen er täglich begegnet. [93] Computerchemie Ein Zweig der Chemie , der
Computersimulationen nutzt, um
bei der Lösung chemischer Probleme zu helfen. rechnerische Komplexitätstheorie Der Schwerpunkt
liegt auf der
Klassifizierung von Rechenproblemen
entsprechend ihrer inhärenten Schwierigkeit und der Verknüpfung dieser Klassen untereinander. Ein Rechenproblem
ist eine Aufgabe, die von einem Computer gelöst wird. Ein Rechenproblem kann durch mechanische
Anwendung mathematischer Schritte, beispielsweise eines Algorithmus, gelöst werden. rechnerische Kreativität
Ein multidisziplinäres Unterfangen, das die Bereiche künstliche Intelligenz, kognitive Psychologie, Philosophie
und Kunst umfasst. Computerkybernetik Die
Integration von Kybernetik und
Computational Intelligence-Techniken. Computerhumor
Ein Zweig der Computerlinguistik und künstlichen Intelligenz, der Computer in der Humorforschung einsetzt .
[94]
Computational Intelligence (CI)

Bezieht sich normalerweise auf die Fähigkeit eines Computers , eine bestimmte Aufgabe aus Daten oder experimentellen
Beobachtungen zu lernen.
Theorie des rechnergestützten Lernens

In der Informatik ist die Computational Learning Theory (oder einfach Lerntheorie) ein Teilgebiet der künstlichen
Intelligenz, das sich mit der Untersuchung des Entwurfs und der Analyse von Algorithmen für maschinelles
Lernen befasst.
[95] Computerlinguistik Ein
interdisziplinäres Fachgebiet, das sich mit der statistischen oder regelbasierten Modellierung natürlicher Sprache
aus rechnerischer Sicht sowie der Untersuchung geeigneter rechnerischer Ansätze für linguistische
Fragestellungen befasst. Computermathematik
Die mathematische Forschung in Bereichen der Wissenschaft, in denen Computer eine wesentliche Rolle spielen.
Computational Neuroscience
Ein Zweig der Neurowissenschaften , der mathematische Modelle, theoretische Analysen und Abstraktionen des
Gehirns verwendet, um die Prinzipien zu verstehen, die die Entwicklung, Struktur, Physiologie und
kognitiven Fähigkeiten des Nervensystems steuern. [96][97][98][99]
rechnerische Zahlentheorie
Das Studium von Algorithmen zur Durchführung zahlentheoretischer Berechnungen.
Rechenproblem In der
theoretischen Informatik ist ein Rechenproblem ein mathematisches Objekt , das eine Sammlung von
Fragen darstellt, die Computer möglicherweise lösen können. Computerstatistik
Die Schnittstelle zwischen Statistik und Informatik.
Computerautomatisiertes Design (CAutoD)

Designautomatisierung bezieht sich normalerweise auf elektronische Designautomatisierung oder
Designautomatisierung , bei der es sich um einen Produktkonfigurator handelt. Die Erweiterung des
computergestützten Designs (CAD), automatisiertes Design und computerautomatisiertes Design [100][101][102]
befassen sich mit einem breiteren Spektrum von Anwendungen, wie z. B. dem Automobilbau, dem
Bauingenieurwesen, [103][104][105][106] Verbundwerkstoffdesign , Steuerungstechnik, [107] dynamische
Systemidentifikation und -optimierung, [108] Finanzsysteme , Industrieanlagen, mechatronische Systeme,
Stahlbau, [109] Strukturoptimierung , [110] und die Erfindung neuartiger Systeme. In jüngerer Zeit wird
beobachtet, dass die traditionelle CAD-Simulation durch biologisch inspiriertes maschinelles Lernen in CAutoD
umgewandelt wird. [111] einschließlich heuristischer Suchtechniken wie evolutionäre [112][113] und
Audition (CA) Schwarmintelligenz-Algorithmen.[114] Berechnung, Computer
Siehe Maschinenhören.
Informatik Die Theorie,

Experimente und Technik, die die Grundlage für das Design und die Verwendung von Computern bilden. Dabei
geht es um die Untersuchung von Algorithmen, die digitale Informationen verarbeiten, speichern und kommunizieren.
Ein Informatiker ist auf die Theorie der Berechnung und den Entwurf von Computersystemen spezialisiert.[115]
Computer Vision Ein

interdisziplinäres wissenschaftliches Gebiet , das sich damit beschäftigt, wie Computer dazu gebracht
werden können, aus digitalen Bildern oder Videos ein umfassendes Verständnis zu gewinnen . Aus
technischer Sicht geht es darum, Aufgaben zu automatisieren, die das menschliche visuelle System ausführen
kann. [116][117]
[118] Konzeptdrift In der prädiktiven Analyse und beim maschinellen Lernen bedeutet der Begriff „Drift“,
dass sich die statistischen Eigenschaften der Zielvariablen, die das Modell vorherzusagen versucht, im Laufe
der Zeit auf unvorhergesehene Weise ändern. Dies verursacht Probleme, da die Vorhersagen mit der Zeit
ungenauer werden.
Konnektionismus
Ein Ansatz aus den Bereichen der Kognitionswissenschaft, der darauf abzielt, mentale Phänomene mithilfe
künstlicher neuronaler Netze zu erklären. [119]
konsistente Heuristik Bei
der Untersuchung von Wegfindungsproblemen in der künstlichen Intelligenz wird eine heuristische Funktion als
konsistent oder monoton bezeichnet, wenn ihre Schätzung immer kleiner oder gleich der geschätzten
Entfernung von einem benachbarten Scheitelpunkt zum Ziel ist, zuzüglich der Kosten für das Erreichen dieser Nachbar.
eingeschränktes bedingtes Modell (CCM)
Ein Framework für maschinelles Lernen und Inferenz, das das Lernen bedingter (probabilistischer oder
diskriminierender) Modelle mit deklarativen Einschränkungen erweitert.
Constraint-Logik-Programmierung
Eine Form der Einschränkungsprogrammierung, bei der die Logikprogrammierung um Konzepte aus der
Einschränkungserfüllung erweitert wird. Ein Einschränkungslogikprogramm ist ein Logikprogramm, das
Einschränkungen im Klauselkörper enthält. Ein Beispiel für eine Klausel, die eine Einschränkung enthält, ist
A(X,Y ) :- X+Y>0, B(X), C(Y). In dieser Klausel ist X+Y>0 eine Einschränkung; A(X,Y), B(X) und C(Y) sind
Literale wie in der regulären Logikprogrammierung. Diese Klausel gibt eine Bedingung an, unter der die
Aussage A(X,Y) gilt: X+Y ist größer als Null und sowohl B(X) als auch C(Y) sind wahr.
Einschränkungsprogrammierung
Ein Programmierparadigma , bei
dem Beziehungen zwischen Variablen in Form von Einschränkungen angegeben werden. Einschränkungen
unterscheiden sich von den üblichen Grundelementen imperativer Programmiersprachen dadurch, dass
sie nicht einen auszuführenden Schritt oder eine Folge von Schritten angeben, sondern vielmehr die Eigenschaften
einer zu findenden Lösung. konstruierte
Sprache
Eine Sprache, deren Phonologie, Grammatik und Wortschatz bewusst entwickelt wurden, anstatt sich auf
natürliche Weise entwickelt zu haben. Konstruierte Sprachen können auch als künstliche, geplante oder
erfundene Sprachen bezeichnet werden.[120]
Kontrolltheorie
Bei der Steuerungstechnik handelt es sich um ein Teilgebiet der Mathematik, das sich mit der Steuerung
kontinuierlich arbeitender dynamischer Systeme in technischen Prozessen und Maschinen befasst. Ziel ist es,
ein Regelungsmodell zu entwickeln, um solche Systeme mit einem Regeleingriff optimal ohne Verzögerung oder
Überschwinger zu regeln und die Regelstabilität sicherzustellen.
Faltungs-Neuronales Netzwerk
Beim Deep Learning ist ein Convolutional Neural Network (CNN oder ConvNet) eine Klasse tiefer neuronaler
Netzwerke, die am häufigsten zur Analyse visueller Bilder eingesetzt werden. CNNs verwenden eine
Variation mehrschichtiger Perzeptrone, die so konzipiert sind, dass sie nur minimale Vorverarbeitung erfordern.
[121] Aufgrund ihrer Shared-Weights-Architektur und der Übersetzungsinvarianzeigenschaften werden sie
auch als verschiebungsinvariante oder rauminvariante künstliche neuronale Netze
(SIANN) bezeichnet .[122][123]
Crossover
In genetischen Algorithmen und Evolutionsberechnungen wird ein genetischer Operator verwendet, um die genetischen
Informationen zweier Elternteile zu kombinieren, um neue Nachkommen zu erzeugen. Dies ist eine Möglichkeit,
stochastisch neue Lösungen aus einer bestehenden Population zu generieren, und analog zum Crossover , der bei der
sexuellen Fortpflanzung in biologischen Organismen auftritt. Lösungen können auch durch Klonen einer vorhandenen
Lösung generiert werden, was der asexuellen Reproduktion entspricht . Neu generierte Lösungen werden
typischerweise mutiert, bevor sie der Population hinzugefügt werden.
D
Dunkler Wald
Ein von Facebook entwickeltes Computer-Go-Programm, das auf Deep-Learning-Techniken unter Verwendung eines
Faltungs-Neuronalen Netzwerks basiert. Seine aktualisierte Version Darkfores2 kombiniert die Techniken seines
Vorgängers mit der Monte-Carlo-Baumsuche. [124][125] Das MCTS nutzt effektiv Baumsuchmethoden, die üblicherweise in
Computerschachprogrammen verwendet werden, und randomisiert sie. [126] Mit dem Update wird das System als
Darkfmcts3 bezeichnet. [127]
Dartmouth-Workshop Das
Dartmouth Summer Research Project on Artificial Intelligence war der Name eines [128][129] (wenn auch nicht aller
vielen als wegweisend für die künstliche Intelligenz als Fachgebiet [130] ) Sommerworkshops von 1956, der heute von
angesehen wird. Datenerweiterung Unter Datenerweiterung in
der Datenanalyse versteht

man Techniken zur Vergrößerung der Datenmenge. Es trägt dazu bei, Überanpassungen beim Training eines maschinellen
Lernens zu reduzieren. Datenzusammenführung Der Prozess der Integration
mehrerer
Datenquellen, um konsistentere, genauere [131] und nützlichere Informationen zu erzeugen, als sie von jeder einzelnen
Datenquelle bereitgestellt werden.
Datenintegration Der
Prozess der Kombination von Daten aus verschiedenen Quellen und der Bereitstellung einer einheitlichen Ansicht für
Benutzer. [132] Dieser Prozess wird in einer Vielzahl von Situationen von Bedeutung, die sowohl kommerzielle (z. B. wenn
zwei ähnliche Unternehmen ihre Datenbanken zusammenführen müssen) als auch wissenschaftliche (z. B.
Kombination von Forschungsergebnissen aus verschiedenen Bioinformatik- Repositorien) Bereiche umfassen.
Die Datenintegration tritt immer häufiger auf, da das Volumen (d. h. Big Data) und die Notwendigkeit, vorhandene Daten zu
teilen, explodiert. [133] Es ist zum Mittelpunkt umfangreicher theoretischer Arbeiten geworden, und zahlreiche offene
Probleme bleiben ungelöst.
Data-Mining Der
Prozess der Erkennung von Mustern in großen Datensätzen unter Verwendung von Methoden an der
Schnittstelle von maschinellem Lernen, Statistik und Datenbanksystemen.
Datenwissenschaft
Ein interdisziplinäres Gebiet, das wissenschaftliche Methoden, Prozesse, Algorithmen und Systeme nutzt, um Wissen und
Erkenntnisse aus Daten in verschiedenen Formen, sowohl strukturierten als auch unstrukturierten, zu
extrahieren , [134][135] ähnlich dem Data Mining. Data Science ist ein „Konzept zur Vereinheitlichung von Statistik,
Datenanalyse, maschinellem Lernen und den damit verbundenen Methoden“, um „tatsächliche Phänomene zu verstehen
und zu analysieren“ anhand von Daten. [136] Es verwendet Techniken und Theorien aus vielen Bereichen im Kontext der
Mathematik, Statistik, Informationswissenschaft und Informatik.
Datensatz
Eine Sammlung von Daten. Am häufigsten entspricht ein Datensatz dem Inhalt einer einzelnen Datenbanktabelle
oder einer einzelnen statistischen Datenmatrix, wobei jede Spalte der Tabelle eine bestimmte Variable darstellt
und jede Zeile einem bestimmten Mitglied des betreffenden Datensatzes entspricht. Der Datensatz listet Werte für jede
der Variablen auf, z. B. Höhe und Gewicht eines Objekts, für jedes Mitglied des Datensatzes. Jeder Wert wird als
Datum bezeichnet. Der Datensatz kann Daten für ein oder mehrere Mitglieder umfassen, entsprechend der Anzahl
Reihen.
Data Warehouse (DW oder DWH)
Systems, das für die Berichterstattung und Datenanalyse [137] DWs sind zentrale Repositories eines
verwendet wird. integrierte Daten aus einer oder mehreren unterschiedlichen Quellen. Sie speichern aktuelle und
historische Daten an einem einzigen Ort[138]
Datenprotokoll Eine deklarative Logik-Programmiersprache, die syntaktisch eine Teilmenge von Prolog ist. Es wird häufig
als Abfragesprache für deduktive Datenbanken verwendet. In den letzten Jahren hat Datalog neue Anwendungen
in den Bereichen Datenintegration, Informationsextraktion, Vernetzung und Programmierung gefunden [139]
Analyse, Sicherheit und Cloud Computing.
Entscheidungsgrenze Im
Fall von Backpropagation-basierten künstlichen neuronalen Netzwerken oder Perzeptronen wird die Art der
Entscheidungsgrenze, die das Netzwerk lernen kann, durch die Anzahl der verborgenen Schichten des Netzwerks
bestimmt. Wenn es keine verborgenen Schichten hat, kann es nur lineare Probleme lernen. Wenn es eine verborgene
N
Schicht hat, kann es jede stetige Funktion auf kompakten Teilmengen von R lernen , wie durch den universellen
Approximationssatz gezeigt, und kann somit eine beliebige Entscheidungsgrenze haben.
Entscheidungsunterstützungssystem (DSS)
Ein Informationssystem , das geschäftliche oder organisatorische Entscheidungsaktivitäten unterstützt . DSSs
dienen der Management-, Betriebs- und Planungsebene einer Organisation (in der Regel mittleres und höheres
Management) und helfen Menschen, Entscheidungen über Probleme zu treffen, die sich schnell ändern und nicht
einfach im Voraus spezifiziert werden können – also unstrukturierte und halbstrukturierte Entscheidungsprobleme.
Entscheidungsunterstützungssysteme können entweder vollständig computerisiert oder menschengesteuert
sein oder eine Kombination aus beidem.
Entscheidungstheorie
Die Untersuchung der Argumentation , die den Entscheidungen eines Agenten zugrunde liegt.[140] Die
Entscheidungstheorie kann in zwei Zweige unterteilt werden: die normative Entscheidungstheorie, die Ratschläge gibt,
wie man angesichts einer Reihe unsicherer Überzeugungen und Werte die besten Entscheidungen treffen kann,
und die deskriptive Entscheidungstheorie, die analysiert, wie bestehende, möglicherweise irrationale Akteure
tatsächlich Entscheidungen treffen .
Entscheidungsbaumlernen
Verwendet einen Entscheidungsbaum (als Vorhersagemodell) , um von Beobachtungen zu einem
Element (dargestellt in den Zweigen) zu Schlussfolgerungen über den Zielwert des Elements (dargestellt in den
Blättern) zu gelangen. Es handelt sich um einen der prädiktiven Modellierungsansätze, die in Statistik, Data
Mining und maschinellem
Lernen verwendet werden.
deklarative Programmierung Ein Programmierparadigma – ein Stil zum Aufbau der Struktur und Elemente
von Computerprogrammen –, der die Logik einer Berechnung zum Ausdruck bringt, ohne ihren
Kontrollfluss zu beschreiben . [141]
deduktiver Klassifikator
Eine Art Inferenzmaschine für künstliche Intelligenz. Als Eingabe erfolgt eine Reihe von Erklärungen in einer
Rahmensprache zu einem Bereich wie medizinische Forschung oder Molekularbiologie. Für
Beispielsweise die Namen von Klassen, Unterklassen, Eigenschaften und Einschränkungen für zulässige Werte.
Tiefes Blau
war ein von IBM entwickelter Schachcomputer . Es ist bekannt dafür, dass es das erste Computer-Schachspielsystem
war, das sowohl eine Schachpartie als auch ein Schachmatch gegen einen amtierenden Weltmeister unter
regelmäßiger Zeitkontrolle gewann.
tiefes Lernen
Teil einer größeren Familie maschineller Lernmethoden, die im Gegensatz zu aufgabenspezifischen

Algorithmen auf Lerndatendarstellungen basieren. Das Lernen kann überwacht, halbüberwacht oder
unbeaufsichtigt erfolgen. [142][143][144]
DeepMind-Technologien Ein
britisches Unternehmen für künstliche Intelligenz, das im September 2010 gegründet wurde und derzeit im Besitz
von Alphabet Inc. ist. Das Unternehmen hat seinen Sitz in London und verfügt über Forschungszentren in Kanada. [145]
Frankreich, [146] und den Vereinigten Staaten . Das 2014 von Google übernommene Unternehmen hat ein neuronales
Netzwerk geschaffen , das lernt, Videospiele auf ähnliche Weise wie Menschen zu spielen,[147] sowie eine
neuronale Turing-Maschine. [148] oder ein neuronales Netzwerk, das möglicherweise wie eine herkömmliche Turing-
Maschine auf einen externen Speicher zugreifen kann, was zu einem Computer führt, der das Kurzzeitgedächtnis des
menschlichen Gehirns nachahmt. [149][150] Das Unternehmen machte 2016 Schlagzeilen, nachdem sein
AlphaGo-Programm den menschlichen Profi-Go-Spieler Lee Sedol, den Weltmeister, in einem Fünf-Spiele-
Match besiegte, das Gegenstand eines Dokumentarfilms war. [151] Ein allgemeineres Programm, AlphaZero, besiegte
die leistungsstärksten Programme beim Spielen von Go, Schach und Shogi (japanisches Schach), nachdem es
einige Tage lang gegen sich selbst gespielt hatte, und zwar mithilfe von Reinforcement Learning. [152]
Standardlogik Eine von Raymond
Reiter
vorgeschlagene nichtmonotone Logik zur Formalisierung des Denkens mit Standardannahmen. Beschreibungslogik
(DL)
Eine Familie formaler Wissensrepräsentationssprachen . Viele DLs sind ausdrucksvoller als Aussagenlogik , aber
weniger ausdrucksstark als Logik erster Ordnung. Im Gegensatz zu Letzterem sind die zentralen
Argumentationsprobleme für DLs (normalerweise) entscheidbar, und für diese Probleme wurden effiziente
Entscheidungsverfahren entworfen und implementiert. Es gibt allgemeine, räumliche, zeitliche, raumzeitliche und
Fuzzy-Beschreibungslogiken, und jede Beschreibungslogik weist ein anderes Gleichgewicht zwischen DL-Ausdruckskraft
und Argumentationskomplexität auf, indem sie unterschiedliche Sätze mathematischer Konstruktoren
unterstützt.[153]
Entwicklungsrobotik (DevRob)
Ein wissenschaftlicher Bereich, dessen Ziel die Untersuchung der Entwicklungsmechanismen,

Architekturen und Einschränkungen ist, die das lebenslange und ergebnisoffene Lernen
neuer Fähigkeiten und neuen Wissens
in
verkörperten Maschinen ermöglichen. Diagnose Beschäftigt sich mit der Entwicklung von Algorithmen
und Techniken, die bestimmen können, ob das Verhalten eines Systems korrekt ist. Wenn das
System nicht ordnungsgemäß funktioniert, sollte der Algorithmus in der Lage sein, so genau wie
möglich zu bestimmen, welcher Teil des Systems ausfällt und welche Art von Fehler vorliegt. Die
Berechnung basiert auf Beobachtungen, die Aufschluss
über das aktuelle Verhalten geben. Dialogsystem
Ein Computersystem mit einer kohärenten Struktur, das dazu bestimmt ist, mit einem Menschen zu kommunizieren.
Dialogsysteme nutzen Text, Sprache, Grafiken, Haptik, Gesten und andere Kommunikationsmodi sowohl auf
dem Eingabe- als auch auf dem Ausgabekanal. Dimensionsreduktion
Der Prozess der Reduzierung der Anzahl der betrachteten Zufallsvariablen [154] durch Erhalt eines Satzes
von Hauptvariablen. Es kann in Merkmalsauswahl und Merkmalsextraktion unterteilt werden . [155]
diskretes System
Jedes System mit einer abzählbaren Anzahl von Zuständen. Diskrete Systeme können kontinuierlichen Systemen
gegenübergestellt werden, die auch als analoge Systeme bezeichnet werden können. Ein endgültiges diskretes
System wird oft mit einem gerichteten Graphen modelliert und gemäß der Computertheorie auf Korrektheit
und Komplexität analysiert. Da diskrete Systeme eine abzählbare Anzahl von Zuständen haben, können sie in
präzisen mathematischen Modellen beschrieben werden. Ein Computer ist eine endliche Zustandsmaschine , die
als diskretes System betrachtet werden kann. Da Computer häufig nicht nur zur Modellierung anderer diskreter
Systeme, sondern auch kontinuierlicher Systeme verwendet werden, wurden Methoden entwickelt, um reale
kontinuierliche Systeme als diskrete Systeme darzustellen. Eine dieser Methoden besteht darin, ein
kontinuierliches Signal in diskreten Zeitintervallen abzutasten .
verteilte künstliche Intelligenz (DAI)
Ein Teilgebiet der künstlichen Intelligenzforschung, das sich der Entwicklung verteilter Lösungen für Probleme
widmet. DAI ist eng mit dem Bereich der Multi-Agenten-Systeme verwandt und ein Vorläufer davon. [156]
dynamische
epistemische Logik (DEL)

Ein logischer Rahmen, der sich mit Wissens- und Informationsänderungen befasst. Typischerweise
konzentriert sich DEL auf Situationen, an denen mehrere Agenten beteiligt sind, und untersucht, wie sich ihr Wissen
ändert, wenn Ereignisse eintreten.
eifriges Lernen
Eine Lernmethode, bei der das System versucht, während des Trainings des Systems eine allgemeine,
eingabeunabhängige Zielfunktion zu konstruieren, im Gegensatz zum Lazy Learning, bei dem [ 157 ]
die
Generalisierung über die Trainingsdaten hinaus verzögert wird, bis eine Anfrage an das System gestellt wird.
Ebert-Test
Ein Test, der misst, ob eine computergestützte Synthese erfolgt Stimme[158][159] kann einen Witz so geschickt
erzählen, dass er die Leute zum Lachen bringt. [160] Der Filmkritiker Roger Ebert schlug es auf der TED-Konferenz
2011 als Herausforderung für Softwareentwickler vor, eine computergestützte Stimme die Tonlagen,
den Vortrag, das Timing und die Intonation eines sprechenden Menschen beherrschen zu lassen. [158] Der Test
ähnelt dem Turing-Test , der 1950 von Alan Turing vorgeschlagen wurde , um die Fähigkeit eines Computers zu
messen, intelligentes Verhalten zu zeigen, indem er eine Leistung erzeugt, die nicht von der eines Menschen
zu unterscheiden ist. [161] Echo State Network (ESN)
Ein wiederkehrendes neuronales Netzwerk mit einer dünn verbundenen verborgenen Schicht (typischerweise
1 % Konnektivität). Die Konnektivität und Gewichte versteckter Neuronen sind festgelegt und werden zufällig
zugewiesen. Die Gewichte von Ausgabeneuronen können gelernt werden, sodass das Netzwerk
bestimmte zeitliche Muster (re)produzieren kann. Das Hauptinteresse dieses Netzwerks besteht darin, dass sein
Verhalten zwar nichtlinear ist, die einzigen Gewichte, die während des Trainings geändert werden, jedoch
für die Synapsen gelten, die die verborgenen Neuronen mit den Ausgabeneuronen verbinden. Somit ist die Fehlerfunktion
quadratisch bezüglich des Parametervektors und kann leicht zu einem linearen [162][163] System differenziert werden.
verkörperter Agent
Ein intelligenter Agent, der über einen physischen Körper innerhalb dieser Umgebung mit der Umgebung interagiert. Agenten,
die grafisch mit einem Körper dargestellt werden, beispielsweise einem Menschen oder einem Zeichentricktier, werden auch
verkörperte Agenten genannt, obwohl sie nur eine virtuelle, keine physische Verkörperung haben . [164]
verkörperte Kognitionswissenschaft
Ein interdisziplinäres Forschungsgebiet, dessen Ziel es ist, die Mechanismen zu erklären, die intelligentem Verhalten
zugrunde liegen. Es umfasst drei Hauptmethoden: 1) die Modellierung psychologischer und biologischer Systeme auf
ganzheitliche Weise, die Geist und Körper als eine Einheit betrachtet, 2) die Bildung eines gemeinsamen Satzes
allgemeiner Prinzipien intelligenten Verhaltens und 3) das Experimentelle Einsatz von Roboteragenten in kontrollierten
Umgebungen. Fehlergesteuertes Lernen Ein Teilbereich des maschinellen Lernens, der sich damit befasst, wie
ein Agent in einer Umgebung

Maßnahmen ergreifen sollte, um Fehlerrückmeldungen zu minimieren. Es handelt sich um eine Art verstärkendes Lernen.
Ensemble-Mittelung Beim maschinellen Lernen, insbesondere bei der Erstellung künstlicher neuronaler Netze, ist die
Ensemble-Mittelwertbildung
der Prozess, bei dem mehrere Modelle erstellt und kombiniert werden, um eine gewünschte Ausgabe zu erzeugen, im
Gegensatz zur Erstellung nur eines Modells.
Ethik der künstlichen Intelligenz Der Teil

der Technologieethik, der sich speziell auf künstliche Intelligenz bezieht. Evolutionärer
Algorithmus (EA)
Eine Teilmenge der Evolutionsberechnung, [165] ein generischer bevölkerungsbasierter metaheuristischer
Optimierungsalgorithmus . Ein EA verwendet Mechanismen, die von der biologischen Evolution inspiriert sind, wie
Reproduktion, Mutation, Rekombination und Selektion. Kandidatenlösungen für das Optimierungsproblem
spielen die Rolle von Individuen in einer Population, und die Fitnessfunktion bestimmt die Qualität der Lösungen (siehe
auch Verlustfunktion). Die Evolution der Population erfolgt dann nach wiederholter Anwendung der oben genannten
Operatoren.
Evolutionsberechnung Eine Familie

von Algorithmen zur globalen Optimierung , die von der biologischen Evolution inspiriert sind, und dem Teilgebiet der
künstlichen Intelligenz und des Soft Computing, das diese Algorithmen untersucht. Technisch gesehen handelt es sich um
eine Familie bevölkerungsbasierter Trial-and-Error- Problemlöser mit metaheuristischem bzw. stochastischem
Optimierungscharakter . sich entwickelnde Klassifizierungsfunktion
(ECF)
Sich entwickelnde Klassifikatorfunktionen oder sich entwickelnde Klassifikatoren werden zur Klassifizierung und
Clusterbildung im Bereich des maschinellen Lernens und der künstlichen Intelligenz verwendet und typischerweise
für Datenstrom - Mining-Aufgaben in dynamischen und sich ändernden Umgebungen eingesetzt.
existenzielles Risiko
Die Hypothese, dass erhebliche Fortschritte in der künstlichen allgemeinen Intelligenz (AGI) eines Tages
zum Aussterben der Menschheit oder einer anderen unwiederbringlichen globalen Katastrophe
führen könnten. [166][167][168]
Expertensystem
Ein Computersystem, das die Entscheidungsfähigkeit eines menschlichen Experten nachahmt. [169]
Expertensysteme sind darauf ausgelegt, komplexe Probleme durch Argumentation anhand von Wissensbeständen
zu lösen, die hauptsächlich als Wenn-Dann-Regeln und nicht durch herkömmlichen Verfahrenscode
dargestellt werden. [170]
F
schnelle und genügsame
Bäume Eine Art Klassifizierungsbaum. Als Entscheidungshilfen können Fast-and-Frugal-Bäume verwendet werden,
die als lexikografische Klassifikatoren fungieren und bei Bedarf jeder Klasse oder Kategorie eine Aktion (Entscheidung)
zuordnen [171] .
Merkmalsextraktion
Beim maschinellen Lernen, der Mustererkennung und der Bildverarbeitung beginnt die Merkmalsextraktion mit einem
anfänglichen Satz gemessener Daten und erstellt abgeleitete Werte (Merkmale) , die informativ und nicht redundant
sein sollen, die nachfolgenden Lern- und Generalisierungsschritte erleichtern und in einigen Fällen führend sein
sollen zu besseren menschlichen Interpretationen.
Feature-Lernen
Beim maschinellen Lernen handelt es sich beim Merkmalslernen oder Repräsentationslernen [142] um eine Reihe von
Techniken, die es einem System ermöglichen, automatisch die Darstellungen zu ermitteln, die für die
Merkmalserkennung oder -klassifizierung aus Rohdaten erforderlich sind. Dies ersetzt das manuelle Feature-
Engineering und ermöglicht es einer Maschine, die Features zu erlernen und sie zum Ausführen einer bestimmten Aufgabe zu verwend
Merkmalsauswahl
Beim maschinellen Lernen und in der Statistik ist die Merkmalsauswahl, auch bekannt als Variablenauswahl,
Attributauswahl oder Variablenteilmengenauswahl, der Prozess der Auswahl einer Teilmenge relevanter Merkmale
(Variablen, Prädiktoren) zur Verwendung bei der Modellkonstruktion. föderiertes Lernen
Eine Art maschinelles

Lernen, das das Training auf mehreren Geräten mit dezentralen Daten ermöglicht und so dazu beiträgt, die Privatsphäre
einzelner Benutzer und ihrer Daten zu schützen.
Logik erster Ordnung
Eine Sammlung formaler Systeme, die in der Mathematik, Philosophie, Linguistik und Informatik verwendet werden . Die
Logik erster Ordnung verwendet quantifizierte Variablen gegenüber nichtlogischen Objekten und erlaubt die Verwendung
von Sätzen, die Variablen enthalten, so dass anstelle von Sätzen wie „ Sokrates ist ein Mann“ Ausdrücke in der Form „Es
existiert X, so dass X Sokrates ist und“ haben können „X ist ein Mann“ und es gibt einen Quantor, während X eine Variable
ist. [172] Dies unterscheidet sie von der Aussagenlogik, die keine Quantoren oder Beziehungen verwendet.[173]
fließend
Ein Zustand, der sich im Laufe der Zeit ändern kann. In logischen Ansätzen zum Denken über Handlungen können
Fluents in der Logik erster Ordnung durch Prädikate dargestellt werden , deren Argument von der Zeit abhängt.
formelle Sprache Eine

Reihe von Wörtern , deren Buchstaben einem Alphabet entnommen und nach bestimmten Regeln wohlgeformt sind .
Vorwärtsverkettung
Eine der beiden wichtigsten Argumentationsmethoden bei der Verwendung einer Inferenzmaschine und kann
logischerweise als wiederholte Anwendung des Modus Ponens beschrieben werden . Forward Chaining ist eine
beliebte Implementierungsstrategie für Expertensysteme, Unternehmen und Produktionsregelsysteme . Das
Gegenteil der Vorwärtsverkettung ist die Rückwärtsverkettung. Die Vorwärtsverkettung beginnt mit den verfügbaren
Daten und verwendet Inferenzregeln, um weitere Daten (z. B. von einem Endbenutzer) zu extrahieren, bis ein Ziel erreicht
ist. Eine Inferenzmaschine , die die Vorwärtsverkettung verwendet, durchsucht die Inferenzregeln, bis sie eine findet, in der
die Vorgängerklausel (If-Klausel) enthalten ist ) ist bekanntermaßen wahr. Wenn eine solche Regel gefunden wird, kann
die Engine die Konsequenz (Then-Klausel) schließen oder ableiten , was dazu führt, dass ihren Daten neue
Informationen hinzugefügt werden . [174]
rahmen
Eine Datenstruktur der künstlichen Intelligenz, die zur Aufteilung von Wissen in Unterstrukturen verwendet wird,
indem „stereotype Situationen“ dargestellt werden. Frames sind die primäre Datenstruktur, die in der Frame-
Sprache der künstlichen Intelligenz verwendet wird.
Rahmensprache
Eine Technologie zur Wissensdarstellung in der künstlichen Intelligenz. Frames werden als Ontologien von
Mengen und Teilmengen der Frame-Konzepte gespeichert . Sie ähneln Klassenhierarchien in objektorientierten
Sprachen, obwohl ihre grundlegenden Entwurfsziele unterschiedlich sind. Frames konzentrieren sich auf die
explizite und intuitive Darstellung von Wissen, während sich Objekte auf die Kapselung und das Verbergen
von Informationen konzentrieren. Frames haben ihren Ursprung in der KI-Forschung und Objekte vor allem in der
Softwareentwicklung. In der Praxis überschneiden sich die Techniken und Fähigkeiten rahmen- und
objektorientierter Sprachen jedoch erheblich.
Rahmenproblem
Das Problem, geeignete Axiomensammlungen für eine brauchbare Beschreibung einer
Roboterumgebung
zu finden. [175] freundliche künstliche Intelligenz
Eine hypothetische künstliche allgemeine Intelligenz (AGI), die sich positiv auf die Menschheit auswirken würde.
Sie ist Teil der Ethik der Künstlichen Intelligenz und steht in engem Zusammenhang mit der Maschinenethik . Während
sich die Maschinenethik damit beschäftigt, wie sich ein künstlich intelligenter Agent verhalten sollte, konzentriert sich
die Forschung zu freundlicher künstlicher Intelligenz darauf, wie dieses Verhalten praktisch herbeigeführt und
sichergestellt werden kann, dass es angemessen eingeschränkt wird.
Zukunftsstudien
Das Studium der Postulierung möglicher, wahrscheinlicher und wünschenswerter Zukünfte und der ihnen zugrunde
liegenden Weltanschauungen und Mythen.
[176] Fuzzy-Kontrollsystem
Ein auf Fuzzy-Logik basierendes Steuerungssystem – ein mathematisches System, das analoge Eingangswerte anhand
logischer Variablen analysiert, die kontinuierliche Werte zwischen 0 und 1 annehmen, im Gegensatz zur
klassischen oder digitalen Logik, die mit diskreten Werten von entweder 1 oder 0 arbeitet ( wahr bzw. falsch). [177]
[178] Fuzzy-Logik Eine einfache Form
für die
mehrwertige Logik, in der die Wahrheitswerte von Variablen jeden Grad an „Wahrhaftigkeit“ haben können , der
durch jede reelle Zahl im Bereich zwischen 0 (wie in „Völlig falsch“) und 1 (wie in „Vollständig falsch“) dargestellt
werden kann Stimmt) inklusive.
Folglich wird es verwendet, um das Konzept der Teilwahrheit zu behandeln, bei dem der Wahrheitswert zwischen
völlig wahr und völlig falsch liegen kann. Im Gegensatz zur Booleschen Logik, bei der die Wahrheitswerte von
Variablen nur die ganzzahligen Werte 0 oder 1 haben dürfen. Fuzzy-Regel Eine Regel, die in
Fuzzy-Logic-
Systemen verwendet wird, um eine Ausgabe basierend auf Eingabevariablen abzuleiten. Fuzzy-Set In der
klassischen
Mengenlehre wird die Zugehörigkeit von Elementen zu einer Menge binär anhand einer zweiwertigen Bedingung
bewertet – ein Element gehört entweder zur Menge oder gehört nicht dazu. Im Gegensatz dazu ermöglicht die
Fuzzy-Mengen-Theorie die schrittweise Beurteilung der Zugehörigkeit von Elementen zu einer Menge; Dies wird
mit Hilfe einer Zugehörigkeitsfunktion beschrieben, deren Wert im reellen Einheitsintervall [0, 1] liegt. Fuzzy-Mengen
verallgemeinern klassische Mengen, da die Indikatorfunktionen (auch charakteristische Funktionen) klassischer
Mengen Sonderfälle der Zugehörigkeitsfunktionen von Fuzzy-Mengen sind, wenn diese nur die Werte 0 oder 1
annehmen. [179] In der Fuzzy-Mengen-Theorie klassische bivalente Mengen werden üblicherweise als Crisp- Sets
bezeichnet. Die Fuzzy-Set-Theorie kann in einer Vielzahl von Bereichen eingesetzt werden, in denen Informationen
unvollständig oder ungenau sind, beispielsweise in der Bioinformatik. [180]
G
Spieltheorie Das
Studium mathematischer Modelle der strategischen Interaktion zwischen rationalen Entscheidungsträgern.[181]
Allgemeines Spielen (GGP)

Unter allgemeinem Spielen versteht man die Gestaltung von Programmen mit künstlicher Intelligenz, um mehr als ein Spiel
erfolgreich ausführen und spielen zu können. [182][183][184]
Generatives kontradiktorisches Netzwerk (GAN)

Eine Klasse maschineller Lernsysteme. Zwei neuronale Netze konkurrieren in einem Nullsummenspiel- Framework
miteinander. genetischer Algorithmus
(GA)
Eine vom Prozess der natürlichen Selektion inspirierte Metaheuristik , die zur größeren Klasse der evolutionären Algorithmen (EA)
gehört. Genetische Algorithmen werden häufig verwendet, um qualitativ hochwertige Lösungen für Optimierungs- und
Suchprobleme zu generieren , indem sie sich auf bioinspirierte Operatoren wie Mutation, Crossover und Selektion stützen. [185]
genetischer Operator
Ein Operator , der in genetischen Algorithmen verwendet wird , um den Algorithmus zu einer Lösung für ein bestimmtes Problem
zu führen. Es gibt drei Haupttypen von Operatoren (Mutation, Crossover und Selektion), die zusammenarbeiten müssen,
damit der Algorithmus erfolgreich ist.
Optimierung des Glühwürmchenschwarms

Ein Algorithmus zur Optimierung der Schwarmintelligenz, der auf dem Verhalten von Glühwürmchen (auch als Glühwürmchen
oder Glühwürmchen bekannt) basiert. Diagramm
(abstrakter Datentyp)
In der Informatik ist ein Graph ein abstrakter Datentyp , der die Konzepte des ungerichteten Graphen und des gerichteten
Graphen aus der Mathematik implementieren soll ; insbesondere das Gebiet der Graphentheorie. Graph (diskrete Mathematik)
In der Mathematik und insbesondere in der Graphentheorie ist ein Graph eine Struktur, die einer Menge von Objekten
gleichkommt, in der einige Paare der Objekte in gewisser Weise „zusammenhängen“. Die Objekte entsprechen
mathematischen Abstraktionen, die als Vertices bezeichnet werden (auch Knoten oder Punkte genannt ) und jedes der
zugehörigen Scheitelpunktpaare wird als Kante (auch Bogen oder Linie genannt) bezeichnet. [186] Graphdatenbank (GDB)
Eine Datenbank , die Graphstrukturen für semantische Abfragen mit Knoten, Kanten und Eigenschaften verwendet, um
Daten darzustellen und zu speichern. Ein Schlüsselkonzept des Systems ist der Graph (oder die Kante oder Beziehung), der
Datenelemente im Speicher einer Sammlung von Knoten direkt in Beziehung setzt von Daten und Kanten, die die Beziehungen
zwischen den Knoten darstellen. Durch die Beziehungen können Daten im Speicher direkt miteinander verknüpft und in vielen
Fällen mit einem Vorgang abgerufen werden.
In Diagrammdatenbanken haben die Beziehungen zwischen Daten Priorität. Das Abfragen von Beziehungen innerhalb einer
Diagrammdatenbank ist schnell, da sie dauerhaft in der Datenbank selbst gespeichert werden. Mithilfe von Diagrammdatenbanken
können Beziehungen intuitiv visualisiert werden, was sie für stark miteinander verbundene Daten nützlich macht. [187][188]
Graphentheorie
Das Studium von Graphen, Hierbei handelt es sich um mathematische Strukturen, mit denen paarweise Beziehungen zwischen
Objekten modelliert werden.
Graphdurchquerung
Der Prozess des Besuchs (Überprüfung und/oder Aktualisierung) jedes Scheitelpunkts in einem Diagramm. Solche
Durchquerungen werden nach der Reihenfolge klassifiziert, in der die Scheitelpunkte besucht werden. Die Baumdurchquerung ist
ein Sonderfall der Graphdurchquerung.
Stopping-Problem
-Heuristik
Eine Technik, die dazu dient, ein Problem schneller zu lösen, wenn klassische Methoden zu langsam sind, oder
eine Näherungslösung zu finden, wenn mit klassischen Methoden keine exakte Lösung gefunden werden kann.
Dies wird erreicht, indem Optimalität, Vollständigkeit, Genauigkeit oder Präzision gegen Geschwindigkeit eingetauscht
werden. In gewisser Weise kann es als Abkürzung betrachtet werden. Eine heuristische Funktion, auch einfach
Heuristik genannt, ist eine Funktion , die Alternativen in Suchalgorithmen bei jedem Verzweigungsschritt basierend
auf verfügbaren Informationen einordnet, um zu entscheiden, welcher Verzweigung gefolgt werden soll. Es kann
beispielsweise die exakte Lösung annähern.
[189] Verborgene
Schicht Eine interne Schicht von Neuronen in einem künstlichen neuronalen Netzwerk, die nicht für Eingabe oder Ausgabe bestimm
Versteckte
Einheit Ein Neuron in einer verborgenen Schicht in einem künstlichen neuronalen Netzwerk.
hyperheuristisch
Eine heuristische Suchmethode, die darauf abzielt, den Prozess der Auswahl, Kombination, Generierung oder
Anpassung mehrerer einfacherer Heuristiken (oder Komponenten solcher Heuristiken) zu automatisieren, um
rechnerische Suchprobleme effizient zu lösen, häufig durch die Einbindung von Techniken des maschinellen
Lernens. Eine der Motivationen für das Studium der Hyperheuristik besteht darin, Systeme zu entwickeln, die
Klassen von Problemen bewältigen können, anstatt nur ein Problem zu lösen. [190][191][192]
ICH
IEEE Computational Intelligence Society

Eine Fachgesellschaft des Institute of Electrical and Electronics Engineers (IEEE), die sich auf „Theorie,
Design, Anwendung und Entwicklung biologisch und sprachlich motivierter Computerparadigmen mit
Schwerpunkt auf neuronalen Netzen, konnektionistischen Systemen, genetischen Algorithmen,
evolutionärer Programmierung, Fuzzy-Systemen usw. “ konzentriert hybride intelligente Systeme, in denen diese
Paradigmen enthalten sind“. [193] inkrementelles Lernen Eine Methode des maschinellen
Lernens, bei der Eingabedaten

kontinuierlich verwendet werden, um das Wissen des vorhandenen Modells zu erweitern, also das Modell weiter
zu trainieren. Es stellt eine dynamische Technik des überwachten Lernens und des unüberwachten Lernens
dar, die angewendet werden kann, wenn Trainingsdaten im Laufe der Zeit allmählich verfügbar werden oder ihre
Größe außerhalb der Systemspeichergrenzen liegt. Algorithmen, die inkrementelles Lernen erleichtern können,
werden als inkrementelle Algorithmen für maschinelles Lernen bezeichnet. Inferenzmaschine Eine
Komponente des Systems, die
logische Regeln auf die

Wissensdatenbank anwendet, um neue Informationen abzuleiten.
Informationsintegration (II)
Die Zusammenführung von Informationen aus heterogenen Quellen mit unterschiedlichen konzeptionellen,
kontextuellen und typografischen Darstellungen. Es wird beim Data Mining und der Konsolidierung von Daten aus
unstrukturierten oder halbstrukturierten Ressourcen verwendet. Typischerweise bezieht sich Informationsintegration
auf textliche Darstellungen von Wissen, wird aber manchmal auch auf Rich Media angewendet
Inhalt. Bei der Informationsfusion, einem verwandten Begriff, handelt es sich um die Kombination von Informationen
zu einem neuen Informationssatz, um Redundanz und Unsicherheit zu reduzieren. [131]
Informationsverarbeitungssprache (IPL)
Eine Programmiersprache , die Funktionen enthält, die bei Programmen helfen sollen , die einfache
Problemlösungsaktionen wie Listen, dynamische Speicherzuweisung, Datentypen , Rekursion, Funktionen
als Argumente, Generatoren und kooperatives Multitasking ausführen. IPL hat das Konzept der
Listenverarbeitung erfunden, allerdings im Assembler- Stil.
Intelligenzverstärkung (IA)
Der effektive Einsatz von Informationstechnologie zur Steigerung der menschlichen Intelligenz.
Geheimdienstexplosion Ein
mögliches Ergebnis des Aufbaus künstlicher allgemeiner Intelligenz (AGI) durch die Menschheit. AGI wäre in der
Lage, sich rekursiv selbst zu verbessern, was zur schnellen Entstehung von ASI (künstliche
Superintelligenz) führen würde, deren Grenzen zum Zeitpunkt der technologischen Singularität
unbekannt
sind. Intelligenter Agent (IA)
Eine autonome Einheit, die auf eine Umgebung einwirkt und ihre Aktivitäten auf das Erreichen von Zielen
ausrichtet (dh sie ist ein Agent), indem sie die Beobachtung durch Sensoren und daraus resultierende
Aktoren nutzt (dh sie ist intelligent). Intelligente Agenten können auch Wissen lernen oder nutzen , um
ihre Ziele zu erreichen. Sie können sehr einfach oder sehr komplex sein.
Intelligente Steuerung
Eine Klasse von Steuerungstechniken , die verschiedene Rechenansätze für künstliche Intelligenz wie neuronale
Netze, Bayes'sche Wahrscheinlichkeit, Fuzzy-Logik, maschinelles Lernen, Verstärkungslernen [194] ,
evolutionäre Berechnungen und genetische Algorithmen nutzen.
intelligenter persönlicher Assistent
Ein Software-Agent , der auf der Grundlage verbaler Befehle Aufgaben oder Dienste für eine Person
ausführen kann. Manchmal wird der Begriff „Chatbot“ verwendet, um sich auf virtuelle Assistenten zu beziehen,
auf die im Allgemeinen oder speziell über Online-Chat zugegriffen wird (oder in einigen Fällen auf Online-
Chat-Programme, die ausschließlich Unterhaltungszwecken dienen). Einige virtuelle Assistenten sind in
der Lage, menschliche Sprache zu interpretieren und mit synthetischen Stimmen zu reagieren. Benutzer
können ihren Assistenten Fragen stellen, Hausautomationsgeräte und Medienwiedergabe per Sprache steuern
und andere grundlegende Aufgaben wie E-Mail, Aufgabenlisten und Kalender mit verbalen Befehlen verwalten.[195]
Deutung Eine
Bedeutungszuweisung an die Symbole einer formalen Sprache. Viele formale Sprachen, die in der Mathematik, Logik
und theoretischen Informatik verwendet werden, werden ausschließlich in syntaktischen Begriffen definiert
und haben als solche keine Bedeutung, bis sie interpretiert werden. Die allgemeine Untersuchung der
Interpretation formaler Sprachen wird als formale Semantik bezeichnet.
intrinsische Motivation
Ein intelligenter Agent ist intrinsisch zum Handeln motiviert, wenn allein der Informationsgehalt, die aus der Handlung
resultierende Erfahrung, der motivierende Faktor ist. Der Informationsgehalt wird dabei im Sinne der
Informationstheorie als Quantifizierung der Unsicherheit gemessen. Eine typische intrinsische Motivation ist die
Suche nach ungewöhnlichen (überraschenden) Situationen, im Gegensatz zu einer typischen extrinsischen Motivation
wie der Nahrungssuche. Intrinsisch motivierte künstliche Agenten zeigen Verhaltensweisen, die der Erforschung
und Neugier ähneln . [196]
Problembaum
Eine grafische Aufschlüsselung einer Frage, die sie vertikal in ihre verschiedenen Komponenten zerlegt und beim Lesen
auf der rechten Seite in die Details übergeht. [197]:47 Problembäume sind bei der Problemlösung nützlich , um die
Grundursachen eines Problems sowie seine möglichen Lösungen zu identifizieren. Sie bieten auch einen Anhaltspunkt,
um zu sehen, wie jedes Teil in das Gesamtbild eines Problems passt. [198]
J
Junction-Tree-Algorithmus
Eine beim maschinellen Lernen verwendete Methode, um Marginalisierung in allgemeinen Diagrammen zu

extrahieren. Im Wesentlichen geht es darum, die Glaubensausbreitung an einem modifizierten Graphen durchzuführen,
der als Verbindungsbaum bezeichnet wird . Der Graph wird Baum genannt, weil er in verschiedene Datenabschnitte
verzweigt; Knoten von Variablen sind die Zweige.[199]
K
Kernel-Methode
Beim maschinellen Lernen sind Kernel-Methoden eine Klasse von Algorithmen zur Musteranalyse, deren bekanntestes
Mitglied die Support Vector Machine (SVM) ist. Die allgemeine Aufgabe der Musteranalyse besteht darin, allgemeine
Arten von Beziehungen (z. B. Cluster, Rankings, Hauptkomponenten, Korrelationen, Klassifizierungen) in Datensätzen
zu finden und zu untersuchen.
KL-EINS
Ein bekanntes Wissensrepräsentationssystem in der Tradition semantischer Netzwerke und Frames; das heißt, es ist eine
Rahmensprache. Das System ist ein Versuch, die semantische Undeutlichkeit in semantischen Netzwerkdarstellungen
zu überwinden und konzeptionelle Informationen explizit als strukturiertes Vererbungsnetzwerk darzustellen .[200][201]
[202]
Wissenserwerb Der Prozess

zur Definition der Regeln und Ontologien, die für ein wissensbasiertes System erforderlich sind. Der Begriff wurde
erstmals in Verbindung mit Expertensystemen verwendet, um die anfänglichen Aufgaben zu beschreiben, die mit der
Entwicklung eines Expertensystems verbunden sind, nämlich das Finden und Befragen von Fachexperten und die
Erfassung ihres Wissens über Regeln, Objekte und rahmenbasierte Ontologien. Wissensbasiertes System
(KBS)
Ein Computerprogramm , das eine Wissensbasis begründet und nutzt, um komplexe Probleme zu lösen .
Der Begriff ist weit gefasst und bezieht sich auf viele verschiedene Arten von Systemen. Das einzige
gemeinsame Thema, das alle wissensbasierten Systeme vereint, ist der Versuch, Wissen explizit
darzustellen, und ein Argumentationssystem , das es ermöglicht, neues Wissen abzuleiten. Somit weist ein
wissensbasiertes System zwei Unterscheidungsmerkmale auf: eine Wissensbasis und eine Inferenzmaschine.
Knowledge Engineering (KE)
Alle technischen, wissenschaftlichen und sozialen Aspekte, die mit dem Aufbau, der Wartung und der
Nutzung wissensbasierter
Systeme verbunden sind.
Wissensextraktion Die Schaffung von Wissen aus strukturierten (relationale Datenbanken, XML) und
unstrukturierten (Texte, Dokumente, Bilder) Quellen. Das resultierende Wissen muss in einem
maschinenlesbaren und maschineninterpretierbaren Format vorliegen und das Wissen auf eine Weise
darstellen, die Rückschlüsse ermöglicht. Obwohl es methodisch der Informationsextraktion (NLP)
und ETL (Data Warehouse) ähnelt, besteht das Hauptkriterium darin, dass die Das Extraktionsergebnis
geht über die Erstellung strukturierter Informationen oder die Umwandlung in eine relationale hinaus
Schema. Es erfordert entweder die Wiederverwendung von vorhandenem formalem Wissen (Wiederverwendung
von Bezeichnern oder Ontologien) oder die Generierung eines Schemas basierend auf den
Quelldaten. Wissensaustauschformat (KIF)

Eine Computersprache, die es Systemen ermöglicht, Informationen aus wissensbasierten Systemen zu teilen und
wiederzuverwenden. KIF ähnelt Rahmensprachen wie KL-ONE und LOOM , aber im Gegensatz zu solchen Sprachen
ist seine primäre Rolle nicht als Rahmen für den Ausdruck oder die Nutzung von Wissen gedacht, sondern eher für den
Wissensaustausch zwischen Systemen. Die Designer von KIF verglichen es mit PostScript. PostScript wurde nicht
in erster Linie als Sprache zum Speichern und Bearbeiten von Dokumenten konzipiert, sondern vielmehr als
Austauschformat für Systeme und Geräte zum Teilen von Dokumenten. Auf die gleiche Weise soll KIF den
Wissensaustausch zwischen verschiedenen Systemen erleichtern, die unterschiedliche Sprachen, Formalismen,
Plattformen usw. verwenden. Wissensrepräsentation und Argumentation (KR² oder KR&R)
Der Bereich der künstlichen Intelligenz widmet sich der Darstellung von Informationen über die Welt in einer Form, die
ein Computersystem zur Lösung komplexer Aufgaben wie der Diagnose eines medizinischen Zustands oder der
Führung eines Dialogs in natürlicher Sprache nutzen kann. Die Wissensrepräsentation umfasst Erkenntnisse aus
der Psychologie [203] darüber, wie Menschen Probleme lösen und Wissen repräsentieren, um Formalismen
zu entwerfen , die den Entwurf und Aufbau komplexer Systeme erleichtern. Wissensrepräsentation und Argumentation
beziehen auch Erkenntnisse aus der Logik mit ein, um verschiedene Arten des Denkens zu automatisieren,
beispielsweise die Anwendung von Regeln oder die Beziehungen von Mengen und Teilmengen. [204] Beispiele für
Wissensrepräsentationsformalismen sind semantische Netze, Systemarchitekturen, Rahmen, Regeln und
Ontologien. Beispiele für automatisierte Argumentationsmaschinen sind Inferenzmaschinen, Theorembeweiser und
Klassifikatoren.
L
faules Lernen
Beim maschinellen Lernen ist Lazy Learning eine Lernmethode, bei der die Generalisierung der Trainingsdaten
theoretisch verzögert wird, bis eine Anfrage an das System gestellt wird, im Gegensatz zum Eager Learning, bei
dem das System versucht, die Trainingsdaten vor dem Empfang zu generalisieren Abfragen.
Lisp (Programmiersprache) (LISP)

Eine Familie von Programmiersprachen mit einer langen Geschichte und einer charakteristischen,
vollständig in Klammern gesetzten
Präfixnotation. [205]
Logikprogrammierung Eine Art Programmierparadigma , das größtenteils auf formaler Logik basiert. Jedes in
einer logischen Programmiersprache geschriebene Programm besteht aus einer Reihe von Sätzen in logischer Form,
die Fakten und Regeln zu einem Problembereich ausdrücken. Zu den wichtigsten Familien der Logikprogrammiersprachen
gehören Prolog, Answer Set Programming (ASP) und Datalog.
Langes Kurzzeitgedächtnis (LSTM)

Eine künstliche wiederkehrende neuronale Netzwerkarchitektur [206], die im Bereich Deep Learning verwendet wird.
Im Gegensatz zu herkömmlichen Feedforward-Neuronalen Netzen verfügt LSTM über Rückkopplungsverbindungen,
die es zu einem „Allzweckcomputer“ machen (das heißt, es kann alles berechnen, was eine Turing-Maschine kann).
[207] Es kann nicht nur einzelne Datenpunkte (z. B. Bilder) verarbeiten, sondern auch ganze Datensequenzen
(z. B. Sprache oder Video).
M
Bildverarbeitung (MV)
Die Technologie und Methoden zur Bereitstellung bildbasierter automatischer Inspektion und Analyse für
Anwendungen wie automatische Inspektion, Prozesssteuerung und Roboter
Anleitung, meist in der Industrie. Machine Vision ist ein Begriff, der eine Vielzahl von Technologien, Software- und
Hardwareprodukten, integrierten Systemen, Aktionen, Methoden und Fachwissen umfasst. Maschinelles Sehen als
Disziplin der Systemtechnik kann als getrennt von Computer Vision, einer Form der Informatik, betrachtet werden. Es
versucht, bestehende Technologien auf neue Weise zu integrieren und sie zur Lösung realer Probleme
anzuwenden. Der Begriff ist für diese Funktionen in industriellen Automatisierungsumgebungen am weitesten
verbreitet, wird aber auch für diese Funktionen in anderen Umgebungen wie Sicherheit und Fahrzeuglenkung verwendet.
Markov-Kette
Ein stochastisches Modell , das eine Abfolge möglicher Ereignisse beschreibt, bei dem die Wahrscheinlichkeit jedes
Ereignisses nur vom Zustand abhängt, der beim vorherigen Ereignis erreicht wurde. [208][209][210]
Markov-Entscheidungsprozess (MDP)
Ein zeitdiskreter stochastischer Steuerungsprozess . Es bietet einen mathematischen Rahmen für die Modellierung
der Entscheidungsfindung in Situationen, in denen die Ergebnisse teilweise zufällig sind und teilweise unter der
Kontrolle eines Entscheidungsträgers stehen. MDPs eignen sich zur Untersuchung von Optimierungsproblemen, die durch
dynamische Programmierung und Reinforcement Learning gelöst werden.
mathematische Optimierung
In der Mathematik, Informatik und Operations Research die Auswahl des besten Elements (im Hinblick auf ein
bestimmtes Kriterium) aus einer Reihe verfügbarer Alternativen.[211] Maschinelles Lernen (ML)
Die wissenschaftliche Untersuchung von Algorithmen und statistischen Modellen , die Computersysteme verwenden,
um eine bestimmte Aufgabe effektiv auszuführen, ohne explizite Anweisungen zu verwenden und sich stattdessen
auf Muster und Schlussfolgerungen zu
verlassen. Maschine hört zu
Ein allgemeines Forschungsgebiet zu Algorithmen und Systemen zum maschinellen Audioverstehen.

[212][213]
Maschinenwahrnehmung
Die Fähigkeit eines Computersystems, Daten auf eine Weise zu interpretieren, die der Art und Weise ähnelt, wie
Menschen ihre Sinne nutzen, um sich auf die Welt um sie herum zu beziehen. [214][215][216]
Mechanismusdesign Ein
Bereich der Wirtschaftswissenschaften und Spieltheorie , der einen technischen Ansatz zur Gestaltung wirtschaftlicher
Mechanismen oder Anreize zur Erreichung gewünschter Ziele in strategischen Umgebungen verfolgt, in denen
Spieler rational handeln. Da es am Ende des Spiels beginnt und dann rückwärts verläuft, wird es auch als
umgekehrte Spieltheorie bezeichnet. Es hat breite Anwendungsmöglichkeiten, von Wirtschaft und Politik
(Märkte, Auktionen, Abstimmungsverfahren) bis hin zu vernetzten Systemen (Internet-Interdomain-Routing,
gesponserte Suchauktionen).
Mechatronik
Ein multidisziplinärer Zweig des Ingenieurwesens, der sich auf die Entwicklung elektrischer und mechanischer Systeme
konzentriert und auch eine Kombination aus Robotik, Elektronik, Computer, Telekommunikation, Systemen,
Steuerung und Produkttechnik umfasst . [217][218]
Rekonstruktion und Simulation des Stoffwechselnetzwerks
Ermöglicht einen detaillierten Einblick in die molekularen Mechanismen eines bestimmten Organismus. Insbesondere
korrelieren diese Modelle das Genom mit der molekularen Physiologie. [219]
metaheuristisch
In der Informatik und der mathematischen Optimierung ist eine Metaheuristik ein Verfahren oder eine
Heuristik auf höherer Ebene, die darauf abzielt, eine Heuristik (Teilsuchalgorithmus) zu finden, zu
generieren oder auszuwählen, die eine ausreichend gute Lösung für ein Optimierungsproblem liefern kann.
insbesondere bei unvollständigen oder unvollständigen Informationen oder begrenzter Rechenkapazität.

[220][221] Metaheuristiken erfassen eine Menge von Lösungen, die zu groß ist, um vollständig erfasst zu werden.
Modellprüfung In der
Informatik wird unter Modellprüfung oder Eigenschaftsprüfung für ein gegebenes Modell eines Systems umfassend
und automatisch überprüft, ob dieses Modell einer gegebenen Spezifikation entspricht. Typischerweise hat man es
mit Hardware- oder Softwaresystemen zu tun, wobei die Spezifikation Sicherheitsanforderungen wie das Fehlen von
Deadlocks und ähnlichen kritischen Zuständen enthält, die zum Absturz des Systems führen können. Modellprüfung ist eine
Technik zur automatischen Überprüfung der Korrektheitseigenschaften von Systemen mit endlichen Zuständen .
modus ponens
In der Aussagenlogik gilt Modus Ponens ist eine Folgerungsregel. [222] Es kann wie folgt zusammengefasst werden: „P
impliziert Q und es wird behauptet, dass P wahr ist, daher muss Q wahr sein.“
Modus tollens
In der Aussagenlogik gilt Der Modus Tollens ist eine gültige Argumentationsform und eine Schlussfolgerungsregel. Es ist
eine Anwendung der allgemeinen Wahrheit, dass, wenn eine Aussage wahr ist, auch ihr Kontrapositiv wahr ist.
Die Inferenzregel modus tollens besagt, dass die Schlussfolgerung von P impliziert, dass Q auf die Negation von
Q impliziert, dass die Negation von P gültig ist.
Monte-Carlo-Baumsuche In der
Informatik ist die Monte-Carlo-Baumsuche (MCTS) ein heuristischer Suchalgorithmus für bestimmte Arten von
Entscheidungsprozessen. Multiagentensystem
(MAS)
Ein computergestütztes System, das aus mehreren interagierenden intelligenten Agenten besteht. Multiagentensysteme
können Probleme lösen, die für einen einzelnen Agenten oder ein monolithisches System nur schwer oder gar nicht zu
lösen sind. Intelligenz kann methodische, funktionale, prozedurale Ansätze, algorithmische Suche oder verstärkendes
Lernen umfassen. Multi-Schwarm-Optimierung Eine Variante der
Partikelschwarmoptimierung (PSO),
die auf der Verwendung mehrerer Teilschwärme anstelle eines (Standard-)Schwarms basiert. Der allgemeine Ansatz bei
der Multi-Schwarm-Optimierung besteht darin, dass sich jeder Teilschwarm auf eine bestimmte Region konzentriert, während
eine bestimmte Diversifizierungsmethode entscheidet, wo und wann die Teilschwärme gestartet werden. Das Multi-
Swarm-Framework eignet sich besonders für die Optimierung multimodaler Probleme, bei denen mehrere (lokale)
Optima existieren.
Mutation
Ein genetischer Operator, der dazu dient, die genetische Vielfalt von einer Generation einer Population genetischer
Algorithmus- Chromosomen zur nächsten aufrechtzuerhalten. Es ist analog zur biologischen Mutation.
Eine Mutation verändert einen oder mehrere Genwerte in einem Chromosom gegenüber seinem ursprünglichen Zustand. Bei
einer Mutation kann sich die Lösung vollständig von der vorherigen Lösung unterscheiden. Daher kann GA durch
Mutation zu einer besseren Lösung kommen. Mutationen treten während der Evolution entsprechend einer vom Benutzer
definierbaren Mutationswahrscheinlichkeit auf. Diese Wahrscheinlichkeit sollte niedrig angesetzt werden. Wenn der Wert
zu hoch eingestellt ist, wird die Suche zu einer primitiven Zufallssuche.
Mycin
Ein frühes Rückwärtsverkettungs -Expertensystem , das künstliche Intelligenz nutzte, um Bakterien zu identifizieren,
die schwere Infektionen wie Bakteriämie und Meningitis verursachen, und Antibiotika zu empfehlen, wobei die Dosierung an
das Körpergewicht des Patienten angepasst wurde – der Name leitet sich von den Antibiotika selbst ab, da viele Antibiotika
diese haben Suffix „-mycin“. Das MYCIN-System wurde auch zur Diagnose von Blutgerinnungserkrankungen eingesetzt.
N
naiver Bayes-Klassifikator
Beim maschinellen Lernen sind naive Bayes-Klassifikatoren eine Familie einfacher probabilistischer Klassifikatoren ,
die auf der Anwendung des Bayes-Theorems mit starken (naiven) Unabhängigkeitsannahmen zwischen
den Merkmalen basieren.
naive Semantik
Ein Ansatz, der in der Informatik zur Darstellung von Grundwissen über einen bestimmten Bereich verwendet wird
und in Anwendungen wie der Darstellung der Bedeutung von Sätzen in natürlicher Sprache in Anwendungen der
künstlichen Intelligenz verwendet wird. Im Allgemeinen bezieht sich der Begriff auf die Verwendung eines
begrenzten Bestands an allgemein verstandenem Wissen über einen bestimmten Bereich in der
Welt und wird auf Bereiche wie den wissensbasierten Entwurf von Datenschemata angewendet.[223]
Namensbindung
In Programmiersprachen ist die Namensbindung die Zuordnung von Entitäten (Daten und/oder Code) zu
Bezeichnern. [224] Ein an ein Objekt gebundener Bezeichner soll auf dieses Objekt verweisen.
Maschinensprachen haben keine eingebaute Vorstellung von Bezeichnern, aber Name-Objekt-Bindungen als
Dienst und Notation für den Programmierer werden von Programmiersprachen implementiert.
Die Bindung ist eng mit dem Scoping verbunden, da der Gültigkeitsbereich bestimmt, welche Namen an welche
Objekte gebunden werden – an welchen Stellen im Programmcode (lexikalisch) und in welchem der möglichen
Ausführungspfade (zeitlich). Die Verwendung eines Bezeichners id in einem Kontext, der eine Bindung für id
herstellt, wird als verbindliches (oder definierendes) Vorkommen bezeichnet. In allen anderen Fällen (z. B. in
Ausdrücken, Zuweisungen und Unterprogrammaufrufen) steht ein Bezeichner für das, woran er gebunden
ist; Solche Vorkommnisse werden angewandte Vorkommnisse genannt.
Erkennung benannter Entitäten (NER)
Eine Unteraufgabe der Informationsextraktion , die darauf abzielt, benannte Entitätserwähnungen in unstrukturiertem
Text zu lokalisieren und in vordefinierte Kategorien wie Personennamen, Organisationen, Standorte, medizinische
Codes, Zeitausdrücke, Mengen, Geldwerte, Prozentsätze usw. zu klassifizieren Ein Schlüsselkonzept der Semantic-
Web-Architektur,
bei dem eine Reihe von Resource Description Framework-Anweisungen (ein Diagramm) mithilfe eines
URI identifiziert werden. [225] Dies ermöglicht die Erstellung von Beschreibungen dieser Aussagen wie Kontext,
Herkunftsinformationen oder andere Metadaten. Benannte Diagramme sind eine einfache Erweiterung des RDF-
Datenmodells [226] , mit dem Diagramme erstellt werden können. Dem Modell fehlt jedoch ein wirksames
Mittel zur Unterscheidung zwischen ihnen, sobald sie im Internet veröffentlicht wurden . Erzeugung
natürlicher Sprache (NLG)
Ein Softwareprozess, der strukturierte Daten in verständliche Inhalte umwandelt. Es kann verwendet werden,
um lange Inhalte für Unternehmen zu erstellen, um benutzerdefinierte Berichte zu automatisieren, sowie
benutzerdefinierte Inhalte für eine Web- oder mobile Anwendung zu erstellen. Es kann auch verwendet werden,
um in interaktiven Gesprächen kurze Textabschnitte zu generieren (ein Chatbot) , die möglicherweise sogar von
einem Text-to-Speech- System laut
vorgelesen werden . Verarbeitung natürlicher Sprache (NLP)

Ein Teilgebiet der Informatik, Informationstechnik und künstlichen Intelligenz, das sich mit den
Interaktionen zwischen Computern und menschlichen (natürlichen) Sprachen befasst, insbesondere mit
der Programmierung von Computern für die Verarbeitung und Analyse großer Mengen natürlicher
Sprachdaten .
Programmierung in natürlicher Sprache
Eine ontologiegestützte Art der Programmierung in Form von Sätzen in natürlicher Sprache , z
Englisch. [227]
Netzwerkmotiv
Alle Netzwerke, einschließlich biologischer Netzwerke, sozialer Netzwerke, technologischer Netzwerke (z. B.
Computernetzwerke und elektrische Schaltkreise) und mehr, können als Diagramme dargestellt werden
enthalten eine Vielzahl von Untergraphen. Eine wichtige lokale Eigenschaft von Netzwerken sind sogenannte
Netzwerkmotive, die als wiederkehrende und statistisch signifikante Teilgraphen oder Muster definiert sind.
Neuronale maschinelle Übersetzung (NMT)

Ein Ansatz zur maschinellen Übersetzung , der ein großes künstliches neuronales Netzwerk verwendet, um die
Wahrscheinlichkeit einer Wortfolge vorherzusagen, wobei typischerweise ganze Sätze in einem einzigen
integrierten Modell
modelliert werden. neuronale Turingmaschine (NTM)

Ein wiederkehrendes neuronales Netzwerkmodell . NTMs kombinieren die Fuzzy- Pattern-Matching- Fähigkeiten
neuronaler Netze mit der algorithmischen Leistungsfähigkeit programmierbarer Computer . Ein NTM verfügt über einen
neuronalen Netzcontroller, der mit externen Speicherressourcen gekoppelt ist und mit denen er über
Aufmerksamkeitsmechanismen interagiert. Die Speicherinteraktionen sind Ende-zu-Ende differenzierbar, sodass sie
mithilfe des Gradientenabstiegs optimiert werden können. [228] Ein NTM mit einem Netzwerkcontroller mit langem
Kurzzeitgedächtnis (LSTM) kann einfache Algorithmen wie Kopieren, Sortieren und assoziatives Abrufen allein
aus Beispielen ableiten. [229] Neuro-Fuzzy Kombinationen aus künstlichen
neuronalen
Netzen und Fuzzy-Logik. Neurokybernetik
Ein direkter Kommunikationsweg zwischen einem erweiterten oder verkabelten Gehirn und einem externen Gerät.
BCI unterscheidet sich von der Neuromodulation dadurch, dass es einen bidirektionalen Informationsfluss ermöglicht.
BCIs zielen häufig auf die Erforschung, Kartierung, Unterstützung, Erweiterung oder Reparatur menschlicher
kognitiver oder sensorisch-motorischer Funktionen ab.[230]
Neuromorphes Engineering
Ein Konzept, das die Verwendung von VLSI-Systemen ( Very-Large-Scale Integration ) beschreibt, die elektronische
Analogschaltkreise enthalten, um im Nervensystem vorhandene neurobiologische Architekturen nachzuahmen.
digitale, [231] In jüngster Zeit wurde der Begriff neuromorph zur Beschreibung analoger Systeme verwendet.
analog/digitale Mixed-Mode-VLSI und Softwaresysteme, die Modelle neuronaler Systeme implementieren (für
Wahrnehmung, Motorsteuerung oder multisensorische Integration). Die Implementierung von
neuromorphem Computing auf Hardwareebene kann durch oxidbasierte Memristoren realisiert werden, [232]
spintronische Speicher,[233] Schwellenwertschalter und Transistoren. [234][235][236][237]
Knoten
Eine Grundeinheit einer Datenstruktur, beispielsweise einer verknüpften Liste oder einer Baumdatenstruktur . Knoten
enthalten Daten und können auch mit anderen Knoten verknüpft sein. Verknüpfungen zwischen Knoten werden
häufig
durch Zeiger implementiert.

nichtdeterministischer Algorithmus Ein Algorithmus, der im Gegensatz zu einem deterministischen Algorithmus
selbst für dieselbe Eingabe bei verschiedenen
Durchläufen
unterschiedliche Verhaltensweisen zeigen kann. Neue KI Nouvelle AI unterscheidet sich von klassischer KI
dadurch, dass es darauf abzielt, Roboter mit einer insektenähnlichen Intelligenz zu produzieren. Forscher
glauben, dass Intelligenz organisch aus einfachen Verhaltensweisen entstehen kann, wenn diese Intelligenzen mit
der „realen Welt“ interagieren, anstatt die konstruierten Welten zu nutzen, die symbolische KIs normalerweise
einprogrammieren mussten. [238]
NP
In der rechnerischen Komplexitätstheorie ist NP (nichtdeterministische Polynomzeit) eine Komplexitätsklasse, die zur
Klassifizierung von Entscheidungsproblemen verwendet wird. NP ist die Menge der Entscheidungsprobleme, für die die
Für Problemfälle, bei denen die Antwort „Ja“ lautet, sind Beweise in polynomieller Zeit überprüfbar. [239]
[Anmerkung 1]
NP-Vollständigkeit In
der rechnerischen Komplexitätstheorie ist ein Problem NP-vollständig, wenn es durch eine eingeschränkte
Klasse von Brute-Force-Suchalgorithmen gelöst werden kann und zur Simulation jedes anderen Problems mit
einem ähnlichen Algorithmus verwendet werden kann. Genauer gesagt sollte jede Eingabe in das Problem
mit einer Reihe von Lösungen polynomialer Länge verknüpft sein, deren Gültigkeit schnell (in polynomialer
Zeit) getestet werden kann [240] ), so dass die Ausgabe für jede Eingabe „Ja“ ist, wenn die Lösungsmenge
nicht leer ist, und „Nein“, wenn sie leer ist.
NP-Härte
In der rechnerischen Komplexitätstheorie die definierende Eigenschaft einer Klasse von Problemen, die
informell „mindestens so schwer wie die schwierigsten Probleme in NP“ sind. Ein einfaches Beispiel für ein
NP-schweres Problem ist das Teilmengensummenproblem.
Ockhams Rasiermesser
Das Problemlösungsprinzip besagt, dass bei Präsentation konkurrierender Hypothesen , die dieselben
Vorhersagen treffen, die Lösung mit den wenigsten Annahmen ausgewählt werden sollte;[241]
Das Prinzip ist nicht dazu gedacht, Hypothesen herauszufiltern, die unterschiedliche Vorhersagen treffen.
Die Idee wird dem englischen Franziskanermönch William of Ockham (ca. 1287–1347) zugeschrieben,
einem scholastischen Philosophen und Theologen.
Offline-Lernen,
Online-Maschinenlernen Eine
Methode des maschinellen Lernens, bei der Daten in sequentieller Reihenfolge verfügbar werden und dazu
verwendet werden, bei jedem Schritt den besten Prädiktor für zukünftige Daten zu aktualisieren, im
Gegensatz zu Batch-Lerntechniken, bei denen der beste Prädiktor durch gleichzeitiges Lernen des gesamten
Trainingsdatensatzes generiert wird . Online-Lernen ist eine gängige Technik, die in Bereichen des
maschinellen Lernens eingesetzt wird, in denen es rechnerisch nicht möglich ist, den gesamten Datensatz zu
trainieren, was den Einsatz von Out-of-Core -Algorithmen erfordert . Es wird auch in Situationen verwendet,
in denen der Algorithmus sich dynamisch an neue Muster in den Daten anpassen muss oder wenn die
Daten selbst als Funktion der Zeit
generiert werden. Ontologie lernen
Die automatische oder halbautomatische Erstellung von Ontologien, einschließlich der Extraktion
der entsprechenden Domänenbegriffe und der Beziehungen zwischen den Konzepten , die diese Begriffe
darstellen, aus einem Textkorpus natürlicher Sprache und deren Kodierung mit einer Ontologiesprache
zum einfachen Abruf.
OpenAI
Das gewinnorientierte Unternehmen OpenAI LP, dessen Mutterorganisation die gemeinnützige
Organisation OpenAI Inc [242] ist, die auf dem Gebiet der künstlichen Intelligenz (KI) forscht, mit dem erklärten
Ziel, freundliche KI so zu fördern und zu entwickeln der gesamten Menschheit zugute kommen.
OpenCog
Ein Projekt, das darauf abzielt, ein Open-Source-Framework für künstliche Intelligenz zu entwickeln.
OpenCog Prime ist eine Architektur für Roboter und virtuelle verkörperte Kognition , die eine Reihe von definiert
interagierende Komponenten, die dazu dienen sollen, eine dem Menschen gleichwertige künstliche allgemeine
[243]
Intelligenz (AGI) als entstehendes Phänomen des gesamten Systems hervorzubringen .
Offener, gesunder Menschenverstand

Ein Projekt für künstliche Intelligenz mit Sitz am Massachusetts Institute of Technology (MIT)
Media Lab , dessen Ziel es ist , aus den Beiträgen vieler tausend Menschen im Internet eine große , vernünftige
Wissensbasis aufzubauen und zu nutzen .
Open-Source-Software (OSS)
Eine Art von Computersoftware , bei der der Quellcode unter einer Lizenz veröffentlicht wird, in der der Urheberrechtsinhaber
den Benutzern das Recht einräumt, die Software zu studieren, zu ändern und zu verbreiten. [ 244] Open-Source
entwickelt werden . kollaborative -Software kann in jedermanns Absicht und für jeden Zweck
öffentliche Art und Weise. Open-Source-Software ist ein herausragendes Beispiel für offene Zusammenarbeit.
[245]
P
Teilweise Reduzierung der
Bestellung Eine Technik zur Reduzierung der Größe des zu durchsuchenden Zustandsraums durch einen Modellprüfungs-
oder automatisierten Planungs- und Scheduling- Algorithmus. Es nutzt die Kommutativität gleichzeitig ausgeführter
Übergänge aus, die bei Ausführung in unterschiedlicher Reihenfolge zum gleichen Zustand führen.
teilweise beobachtbarer Markov-Entscheidungsprozess (POMDP)

Eine Verallgemeinerung eines Markov-Entscheidungsprozesses (MDP). Ein POMDP modelliert einen Agenten-
Entscheidungsprozess, bei dem davon ausgegangen wird, dass die Systemdynamik durch einen MDP bestimmt wird,
der Agent den zugrunde liegenden Zustand jedoch nicht direkt beobachten kann. Stattdessen muss eine
Wahrscheinlichkeitsverteilung über die Menge möglicher Zustände aufrechterhalten werden, die auf einer Reihe von
Beobachtungen und Beobachtungswahrscheinlichkeiten sowie dem
zugrunde liegenden MDP basiert. Partikelschwarmoptimierung (PSO)

Eine Berechnungsmethode, die ein Problem optimiert, indem iterativ versucht wird, eine mögliche Lösung im
Hinblick auf ein bestimmtes Qualitätsmaß zu verbessern. Es löst ein Problem, indem es eine Population von
Kandidatenlösungen, hier Partikel genannt, hat und diese Partikel gemäß einfachen mathematischen Formeln über
die Position und Geschwindigkeit des Partikels im Suchraum bewegt . Die Bewegung jedes Partikels wird von seiner
lokal bekanntesten Position beeinflusst, wird aber auch zu den bekanntesten Positionen im Suchraum geleitet,
die aktualisiert werden, wenn andere Partikel bessere Positionen finden. Es wird erwartet, dass dies den Schwarm in
Richtung der besten Lösungen bewegt.
Wegfindung
Das Zeichnen der kürzesten Route zwischen zwei Punkten durch eine Computeranwendung. Es ist eine praktischere
Variante zum Lösen von Labyrinthen. Dieses Forschungsgebiet basiert stark auf Dijkstras Algorithmus zum
Finden eines kürzesten Pfades in einem gewichteten Graphen. Mustererkennung
Beschäftigt sich mit der

automatischen Entdeckung von Regelmäßigkeiten in Daten durch den Einsatz von Computeralgorithmen und mit der
Nutzung dieser Regelmäßigkeiten, um Maßnahmen wie die Klassifizierung der Daten in verschiedene Kategorien
durchzuführen.[246]
Prädikatenlogik
Eine Sammlung formaler Systeme, die in der Mathematik, Philosophie, Linguistik und Informatik verwendet werden . Die
Logik erster Ordnung verwendet quantifizierte Variablen gegenüber nichtlogischen Objekten und erlaubt die Verwendung
von Sätzen, die Variablen enthalten, so dass anstelle von Sätzen wie „ Sokrates ist ein Mann“ Ausdrücke in der Form
„Es existiert x, so dass x Sokrates ist und“ haben können x ist ein Mann“ und es gibt einen Quantor, während x eine
Variable ist. [172] Das zeichnet es aus
aus der Aussagenlogik, die keine Quantoren oder Beziehungen verwendet; [247] In diesem Sinne ist die
Aussagenlogik die Grundlage der Logik erster Ordnung. prädiktive
Analytik Eine Vielzahl
statistischer Techniken aus Data Mining, prädiktiver Modellierung und maschinellem Lernen, die aktuelle
und historische Fakten analysieren, um Vorhersagen über zukünftige oder anderweitig unbekannte
Ereignisse zu treffen.[248][249]
Hauptkomponentenanalyse (PCA)
Ein statistisches Verfahren, das eine orthogonale Transformation verwendet , um eine Reihe von
Beobachtungen möglicherweise korrelierter Variablen (Entitäten, die jeweils unterschiedliche numerische
Werte annehmen) in eine Reihe von Werten linear unkorrelierter Variablen, die als Hauptkomponenten
bezeichnet werden, umzuwandeln. Diese Transformation ist so definiert, dass die erste
Hauptkomponente die größtmögliche Varianz aufweist (d. h. so viel Variabilität in den Daten wie
möglich ausmacht) und jede nachfolgende Komponente wiederum die größtmögliche Varianz aufweist
die Einschränkung, dass es orthogonal zu den vorhergehenden Komponenten ist. Die resultierenden
Vektoren (jeder ist eine lineare Kombination der Variablen und enthält n Beobachtungen) sind ein unkorrelierter
orthogonaler Basissatz . PCA reagiert empfindlich auf die relative Skalierung der Originalvariablen. Prinzip
der Rationalität
Ein Prinzip, das Karl R. Popper in seiner Harvard-Vorlesung von 1963 prägte und in seinem Buch Myth of
Framework veröffentlichte. [250] Es hängt mit dem zusammen, was er in einem Economica- Artikel von
1944/1945 die „Logik der Situation“ nannte und später in seinem Buch The Poverty of
Historicism veröffentlichte. [251] Nach dem Rationalitätsprinzip von Popper handeln Agenten
entsprechend der objektiven Situation am besten. Es handelt sich um eine idealisierte Vorstellung menschlichen
Verhaltens, die er als Grundlage für sein Modell der Situationsanalyse verwendete.
probabilistische Programmierung (PP)
Ein Programmierparadigma , bei dem probabilistische Modelle spezifiziert werden und die Schlussfolgerung
für diese Modelle automatisch durchgeführt wird. [252] Es stellt einen Versuch dar, probabilistische Modellierung
und traditionelle Allzweckprogrammierung zu vereinheitlichen, um Ersteres einfacher und breiter anwendbar zu
machen. [253][254] Es kann zur Schaffung von Systemen verwendet werden, die bei der
Entscheidungsfindung angesichts von Unsicherheit helfen. Programmiersprachen, die für die
probabilistische Programmierung verwendet werden, werden als „Probabilistische
Programmiersprachen“ (PPLs)
bezeichnet. Programmiersprache
für Produktionssysteme Eine formale Sprache, die eine Reihe von Anweisungen umfasst , die
verschiedene Arten von Ausgaben erzeugen. Programmiersprachen werden in der
Computerprogrammierung zur Implementierung von Algorithmen verwendet.
Prolog
Eine logische Programmiersprache im Zusammenhang mit künstlicher Intelligenz und Computerlinguistik .
[255][256][257] Prolog hat seine Wurzeln in der Logik erster Ordnung, einer formalen Logik, und im Gegensatz
zu vielen anderen Programmiersprachen ist Prolog in erster Linie als deklarative Programmiersprache
gedacht: Die Programmlogik wird in Form von Beziehungen ausgedrückt, werden als Fakten und Regeln
dargestellt. Eine Berechnung wird eingeleitet, indem eine Abfrage über diese Beziehungen ausgeführt wird.
[258] Aussagenkalkül
Ein Zweig der Logik , der sich mit Aussagen (die wahr oder falsch sein können) und dem Argumentfluss befasst .
Zusammengesetzte Sätze werden durch die Verbindung von Sätzen durch logische Verknüpfungen
gebildet. Die Sätze ohne logische Verknüpfungen werden atomare Sätze genannt.
Im Gegensatz zur Logik erster Ordnung befasst sich die Aussagenlogik nicht mit nichtlogischen
Objekten, Prädikaten über diese oder Quantoren. Die gesamte Maschinerie der Aussagenlogik ist jedoch vorhanden
in der Logik erster und höherer Ordnung enthalten. In diesem Sinne ist die Aussagenlogik die Grundlage der Logik
erster Ordnung und der Logik höherer Ordnung.
Python
Eine interpretierte, allgemeine Programmiersprache auf hohem Niveau, die von Guido van Rossum entwickelt und
erstmals 1991 veröffentlicht wurde. Die Designphilosophie von Python betont die Lesbarkeit des Codes
durch die bemerkenswerte Verwendung von signifikanten Leerzeichen. Seine Sprachkonstrukte und sein
objektorientierter Ansatz zielen darauf ab, Programmierern dabei zu helfen, klaren, logischen Code für kleine und
große Projekte zu schreiben.[259]
Q
Qualifikationsproblem In
der Philosophie und der künstlichen Intelligenz (insbesondere wissensbasierten Systemen) geht es beim
Qualifikationsproblem um die Unmöglichkeit, alle Voraussetzungen aufzulisten , die erforderlich sind, damit eine
Handlung in der realen Welt ihre beabsichtigte Wirkung entfalten kann. [260][261] Es könnte darum gehen, wie
ich mit den Dingen umgehen soll, die mich daran hindern, mein beabsichtigtes Ergebnis zu erreichen. Es steht in
engem Zusammenhang mit dem Rahmenproblem und steht dessen Verzweigungsseite
gegenüber .
[260] Quantor In der Logik spezifiziert die Quantifizierung die Menge der Exemplare im Diskursbereich , die einer
offenen Formel genügen. Die beiden gebräuchlichsten Quantoren bedeuten „für alle“ und „es gibt“. In der
Arithmetik kann man beispielsweise mithilfe von Quantoren sagen, dass die natürlichen Zahlen ewig fortbestehen,
indem man schreibt, dass es für alle n (wobei n eine natürliche Zahl ist) eine andere Zahl (z. B. den Nachfolger
von n) gibt, die um eins größer ist als n. Quanten-Computing Die
Nutzung quantenmechanischer
Phänomene wie Superposition und Verschränkung zur Durchführung von Berechnungen. Ein Quantencomputer
wird zur Durchführung solcher Berechnungen verwendet, die theoretisch oder physikalisch implementiert werden
können. [262]:I-5
Abfragesprache
Abfragesprachen oder Datenabfragesprachen (DQLs) sind Computersprachen, mit denen Abfragen in Datenbanken
und Informationssystemen durchgeführt werden . Im Großen und Ganzen können Abfragesprachen danach
klassifiziert werden, ob es sich um Datenbankabfragesprachen oder Informationsabfragesprachen handelt .
Der Unterschied besteht darin, dass eine Datenbankabfragesprache versucht, sachliche Antworten auf
Sachfragen zu geben, während eine Informationsabfragesprache versucht, Dokumente zu finden, die
Informationen enthalten, die für einen Untersuchungsbereich relevant sind.
R
Programmiersprache R Eine
Programmiersprache und kostenlose Softwareumgebung für statistische Berechnungen und Grafiken, die
von der R Foundation for Statistical Computing unterstützt wird. [263] Die R-Sprache wird von Statistikern und
Data Minern häufig zur Entwicklung statistischer Software verwendet [264]
[265]
und Datenanalyse.
Radiales Basisfunktionennetzwerk
Im Bereich der mathematischen Modellierung ist ein radiales Basisfunktionsnetzwerk ein künstliches neuronales
Netzwerk, das radiale Basisfunktionen als Aktivierungsfunktionen verwendet. Die Ausgabe des Netzwerks ist eine
lineare Kombination radialer Basisfunktionen der Eingaben und Neuronenparameter.
Radiale Basisfunktionsnetzwerke haben viele Verwendungsmöglichkeiten, einschließlich Funktionsnäherung,
Zeitreihenvorhersage , Klassifizierung und Systemsteuerung . Sie wurden erstmals 1988 in einer Arbeit von
Broomhead und Lowe, beide Forscher am Royal Signals and Radar Establishment, formuliert. [266][267]
[268]
zufälliger Wald
Eine Ensemble-Lernmethode für Klassifizierung, Regression und andere Aufgaben, die durch die Erstellung einer Vielzahl
von Entscheidungsbäumen zur Trainingszeit und die Ausgabe der Klasse erfolgt, die den Modus der Klassen (Klassifizierung)
oder die mittlere Vorhersage (Regression) der einzelnen Bäume darstellt.[269 ][270] Zufällige Entscheidungswälder
korrigieren die Angewohnheit von Entscheidungsbäumen, sich übermäßig an ihren Trainingssatz anzupassen . [271]
Argumentationssystem In
der Informationstechnologie
ist ein Argumentationssystem ein Softwaresystem , das mithilfe logischer Techniken wie Deduktion und Induktion
Schlussfolgerungen aus verfügbarem Wissen generiert . Argumentationssysteme spielen eine wichtige Rolle bei der
Implementierung künstlicher Intelligenz und wissensbasierter Systeme. wiederkehrendes neuronales Netzwerk (RNN)
Eine Klasse künstlicher neuronaler Netze, bei denen Verbindungen zwischen Knoten einen gerichteten Graphen entlang
einer zeitlichen Abfolge bilden. Dadurch kann es ein zeitlich dynamisches Verhalten zeigen.
Im Gegensatz zu vorwärtsgerichteten neuronalen Netzen können RNNs ihren internen Zustand (Speicher)
verwenden, um Eingabesequenzen zu verarbeiten. Dies macht sie für Aufgaben wie die unsegmentierte, [272] [273][274]
verbundene Handschrifterkennung oder
Spracherkennung anwendbar. Regionsverbindungsrechnung Reinforcement
Learning (RL)
Ein Bereich des maschinellen Lernens, der sich damit beschäftigt, wie Software-Agenten in einer Umgebung Maßnahmen
ergreifen sollten , um die Vorstellung einer kumulativen Belohnung zu maximieren. Reinforcement Learning ist neben
überwachtem und unüberwachtem Lernen eines von drei grundlegenden Paradigmen des maschinellen Lernens . Der
Unterschied zum überwachten Lernen besteht darin, dass gekennzeichnete Eingabe-/Ausgabepaare nicht dargestellt werden
müssen und suboptimale Aktionen nicht explizit korrigiert werden müssen.
Stattdessen liegt der Fokus darauf, ein Gleichgewicht zwischen der Erkundung (von Neuland) und der Ausbeutung (von
aktuellem Wissen) zu finden. [275] Reservoir-
Computing Ein Rechenrahmen,

der als Erweiterung neuronaler Netze betrachtet werden kann. [276]
Typischerweise wird ein Eingangssignal in ein festes (zufälliges) dynamisches System namens Reservoir eingespeist , und
die Dynamik des Reservoirs ordnet die Eingabe einer höheren Dimension zu. Dann wird ein einfacher
Auslesemechanismus trainiert, um den Zustand des Reservoirs abzulesen und ihn dem gewünschten Ausgang zuzuordnen.
Der Hauptvorteil besteht darin, dass das Training nur in der Auslesephase durchgeführt wird und das Reservoir fixiert
ist. Flüssigkeitsmaschinen [277] und Echo-State-Netzwerke[278] sind zwei Hauptarten des Reservoir-Computings. [279]
Ressourcenbeschreibungs-Framework (RDF)
Eine Familie von Spezifikationen des World Wide Web Consortium (W3C). [280] Ursprünglich als Metadaten- Datenmodell
konzipiert. Es wird mittlerweile als allgemeine Methode zur konzeptionellen Beschreibung oder Modellierung von
Informationen verwendet, die in Webressourcen implementiert werden, wobei eine Vielzahl von Syntaxnotationen und
Datenserialisierungsformaten verwendet werden. Es wird auch in Wissensmanagementanwendungen verwendet .
eingeschränkte Boltzmann-
Maschine (RBM)
Ein generatives stochastisches künstliches neuronales Netzwerk, das eine Wahrscheinlichkeitsverteilung über seinen
Satz von Eingaben lernen kann.
Rete-Algorithmus
Ein Mustervergleichsalgorithmus zur Implementierung regelbasierter Systeme. Der Algorithmus wurde entwickelt, um
viele Regeln oder Muster effizient auf viele Objekte oder Fakten in einer Wissensdatenbank anzuwenden. Es wird
verwendet, um zu bestimmen, welche Regeln des Systems basierend auf seinem Datenspeicher und seinen Fakten
ausgelöst werden sollen.
Robotik
Ein interdisziplinärer Zweig der Wissenschaft und Technik , der Maschinenbau, Elektrotechnik,
Informationstechnik, Informatik und andere umfasst . Die Robotik befasst sich mit dem Entwurf, der
Konstruktion, dem Betrieb und der Verwendung von Robotern sowie Computersystemen für deren Steuerung,
sensorisches Feedback und Informationsverarbeitung. regelbasiertes System In der Informatik wird ein
regelbasiertes System
verwendet, um Wissen zu speichern und zu manipulieren, um Informationen sinnvoll zu interpretieren. Es wird
häufig in Anwendungen und in der Forschung im Bereich der künstlichen Intelligenz eingesetzt. Normalerweise
wird der Begriff regelbasiertes System für Systeme verwendet, die von Menschen erstellte oder kuratierte
Regelsätze beinhalten. Regelbasierte Systeme, die mithilfe automatischer Regelinferenz aufgebaut sind, wie
beispielsweise regelbasiertes maschinelles Lernen, sind normalerweise von diesem Systemtyp ausgeschlossen.
Erfüllbarkeit In
der mathematischen Logik sind Erfüllbarkeit und Gültigkeit elementare Konzepte der Semantik. Eine Formel ist
erfüllbar , wenn es möglich ist, eine Interpretation (Modell) zu finden , die die Formel wahr macht. [281] Eine Formel ist
gültig , wenn alle Interpretationen die Formel wahr machen. Die Gegensätze dieser Konzepte sind Unerfüllbarkeit
und Ungültigkeit, das heißt, eine Formel ist unerfüllbar , wenn keine der Interpretationen die Formel wahr macht,
und ungültig, wenn eine solche Interpretation die Formel falsch macht. Diese vier Konzepte stehen in einer genau
analogen Weise zueinander in Beziehung wie das Quadrat der Opposition bei Aristoteles.
Suchalgorithmus
Jeder Algorithmus, der das Suchproblem löst, nämlich Informationen abzurufen, die in einer Datenstruktur
gespeichert oder im Suchraum einer Problemdomäne berechnet sind, entweder mit diskreten oder kontinuierlichen
Werten.
Auswahl
Das Stadium eines genetischen Algorithmus, bei dem einzelne Genome aus einer Population für die
spätere Züchtung ausgewählt werden (unter Verwendung des Crossover-Operators).
Selbstverwaltung Der
Prozess, durch den Computersysteme ihren eigenen Betrieb ohne menschliches Eingreifen verwalten.
semantisches Netzwerk
Eine Wissensbasis , die semantische Beziehungen zwischen Konzepten in einem Netzwerk darstellt . Dies wird häufig
als Form der Wissensdarstellung verwendet. Es handelt sich um einen gerichteten oder ungerichteten Graphen ,
der aus Eckpunkten besteht, die Konzepte darstellen, und Kanten, die semantische Beziehungen zwischen
Konzepten darstellen,[282] die semantische Felder abbilden oder verbinden.
semantischer Denker
Eine Software, die aus einer Reihe behaupteter Fakten oder Axiome logische Konsequenzen ableiten kann.
Der Begriff eines semantischen Reasoners verallgemeinert den einer Inferenzmaschine, indem er einen
umfangreicheren Satz an Mechanismen zur Verfügung stellt, mit denen man arbeiten kann. Die Inferenzregeln
werden üblicherweise mithilfe einer Ontologiesprache und häufig einer Beschreibungslogiksprache spezifiziert . Viele
Denker verwenden Prädikatenlogik erster Ordnung, um Argumente auszuführen; Die Schlussfolgerung
erfolgt üblicherweise durch Vorwärtsverkettung und Rückwärtsverkettung.
semantische
Abfrage Ermöglicht Abfragen und Analysen assoziativer und kontextbezogener Natur. Semantische
Abfragen ermöglichen das Abrufen explizit und implizit abgeleiteter Informationen auf der Grundlage der in
Daten enthaltenen syntaktischen, semantischen und strukturellen Informationen. Sie sind darauf ausgelegt, zu liefern
präzise Ergebnisse (möglicherweise die eindeutige Auswahl einer einzelnen Information) oder um
unscharfere und weit offenere Fragen durch Mustervergleich und digitales Denken zu beantworten.
Semantik In
der
Programmiersprachentheorie ist die Semantik das Gebiet, das sich mit der gründlichen mathematischen
Untersuchung der Bedeutung von Programmiersprachen befasst. Dies geschieht durch die Auswertung
der Bedeutung syntaktisch gültiger Zeichenfolgen , die von einer bestimmten Programmiersprache
definiert werden, und zeigt die damit verbundene Berechnung auf. In einem solchen Fall, dass die
Auswertung syntaktisch ungültige Zeichenfolgen umfassen würde, wäre das Ergebnis eine Nichtberechnung.
Semantik beschreibt die Prozesse, denen ein Computer folgt, wenn er ein Programm in dieser bestimmten
Sprache ausführt. Dies kann gezeigt werden, indem die Beziehung zwischen Eingabe und Ausgabe eines
Programms beschrieben wird oder erklärt wird, wie das Programm auf einer bestimmten Plattform ausgeführt
wird, wodurch ein Berechnungsmodell erstellt wird.
Sensorfusion
Das Kombinieren von sensorischen Daten oder Daten aus unterschiedlichen Quellen, sodass die
resultierenden Informationen weniger Unsicherheit aufweisen, als dies möglich wäre, wenn diese
Quellen einzeln verwendet
würden.
Trennungslogik Eine Erweiterung der Hoare-Logik, eine Art, über Programme nachzudenken. Die
Behauptungssprache der Trennungslogik ist ein Sonderfall der Logik der gebündelten Implikationen
(BI). [283]
Ähnlichkeitslernen Ein Bereich des überwachten maschinellen Lernens in der künstlichen Intelligenz.
Es hängt eng mit Regression und Klassifizierung zusammen, das Ziel besteht jedoch darin, aus
einer Ähnlichkeitsfunktion zu lernen, die misst, wie ähnlich oder verwandt zwei Objekte sind. Es
findet Anwendung im Ranking, in Empfehlungssystemen, bei der visuellen Identitätsverfolgung,
Gesichtsverifizierung und Sprecherverifizierung.
Simuliertes Glühen (SA)

Eine probabilistische Technik zur Approximation des globalen Optimums einer gegebenen Funktion.
Insbesondere handelt es sich um eine Metaheuristik zur Approximation der globalen Optimierung in einem
großen Suchraum für ein Optimierungsproblem.
situierter Ansatz In der

Forschung zur künstlichen Intelligenz entwickelt der situierte Ansatz Agenten, die darauf ausgelegt sind, sich in ihrer
Umgebung effektiv und erfolgreich zu verhalten. Dies erfordert die Gestaltung der KI „von unten nach oben“, indem
man sich auf die grundlegenden Wahrnehmungs- und motorischen Fähigkeiten konzentriert, die zum Überleben
erforderlich sind. Der situierte Ansatz räumt dem abstrakten Denken oder der Fähigkeit zur Problemlösung eine
viel geringere Priorität ein.
Situationskalkül Ein
logischer Formalismus zur Darstellung und Schlussfolgerung dynamischer Bereiche.
Selektive lineare Definite-Klausel-Auflösung
Die grundlegende Inferenzregel , die in der Logikprogrammierung verwendet wird. Es handelt sich um eine Verfeinerung der
Auflösung, die für Horn-Klauseln sowohl fundiert als auch vollständig widerlegt ist .
Software
Eine Sammlung von Daten oder Computeranweisungen , die dem Computer mitteilen, wie er arbeiten soll. Dies steht
im Gegensatz zur physischen Hardware, auf der das System aufgebaut ist und tatsächlich die Arbeit ausführt. In
der Informatik und Softwaretechnik bezeichnet Computersoftware alle von Computersystemen verarbeiteten
Informationen, Programme und Daten. Zur Computersoftware gehören Computerprogramme, Bibliotheken
und zugehörige nicht ausführbare Daten, beispielsweise Online- Dokumentationen oder digitale Medien.
Softwareentwicklung
Die Anwendung von Ingenieurwissenschaften auf die Entwicklung von Software in einer systematischen
Methode. [284][285][286]
räumlich-zeitliches Denken Ein

Bereich der künstlichen Intelligenz, der sich aus den Bereichen Informatik, Kognitionswissenschaft und kognitive
Psychologie speist. Das theoretische Ziel – auf der kognitiven Seite – besteht darin, räumlich-zeitliches Wissen im
Kopf darzustellen und zu begründen. Das angewandte Ziel – auf der Computerseite – besteht darin, hochrangige
Steuerungssysteme für Automaten zum Navigieren und Verstehen von Zeit und Raum zu entwickeln.
SPARQL
Eine RDF-Abfragesprache – also eine semantische Abfragesprache für Datenbanken –, die im Resource
Description Framework (RDF) -Format gespeicherte Daten abrufen und bearbeiten kann . [287][288]
Spracherkennung
Ein interdisziplinäres
Teilgebiet der Computerlinguistik , das Methoden und Technologien entwickelt, die die Erkennung und Übersetzung
gesprochener Sprache in Text durch Computer ermöglichen. Es ist auch als automatische Spracherkennung (ASR),
Computer-Spracherkennung oder Sprache-zu-Text (STT) bekannt. Es umfasst Wissen und Forschung in den
Bereichen Linguistik, Informatik und Elektrotechnik .
Spiking-Neuronales Netzwerk (SNN)

Ein künstliches neuronales Netzwerk, das ein natürliches neuronales Netzwerk besser nachahmt.[289]
Zusätzlich zum neuronalen und synaptischen Zustand integrieren SNNs das Konzept der Zeit in ihr Betriebsmodell.
Zustand In der Informationstechnologie und Informatik wird ein Programm als zustandsbehaftet bezeichnet, wenn es darauf
ausgelegt ist, sich an vorangegangene Ereignisse oder Benutzerinteraktionen zu erinnern;[290] Die
gespeicherten Informationen werden als Zustand des
Systems bezeichnet. statistische
Klassifizierung Beim maschinellen Lernen und in der Statistik handelt es sich bei der Klassifizierung um das Problem ,
anhand eines Trainingsdatensatzes, der Beobachtungen (oder Instanzen) enthält, deren Kategoriezugehörigkeit
bekannt ist, zu identifizieren, zu welcher Kategorie (Subpopulationen) eine neue Beobachtung gehört.
Beispiele hierfür sind die Zuordnung einer bestimmten E-Mail zur Klasse „Spam“ oder „Nicht-Spam“ und die
Zuweisung einer Diagnose zu einem bestimmten Patienten basierend auf beobachteten Merkmalen des
Patienten (Geschlecht, Blutdruck, Vorhandensein oder Fehlen bestimmter Symptome usw.). . Die Klassifizierung
ist ein Beispiel für die Mustererkennung.
Statistisches relationales Lernen (SRL)
Eine Unterdisziplin der künstlichen Intelligenz und des maschinellen Lernens, die sich mit Domänenmodellen
befasst, die sowohl Unsicherheit (die mit statistischen Methoden bewältigt werden kann) als auch komplexe,
relationale Strukturen aufweisen. [291][292] Beachten Sie, dass SRL in der Literatur manchmal als Relational
Machine Learning (RML) bezeichnet wird. Typischerweise verwenden die in SRL entwickelten
Wissensrepräsentationsformalismen (eine Teilmenge der) Logik erster Ordnung , um relationale Eigenschaften einer
Domäne allgemein zu beschreiben (universelle Quantifizierung) und stützen sich dabei auf probabilistische grafische
Modelle (wie Bayes'sche Netzwerke oder Markov-Netzwerke). modellieren Sie die Unsicherheit; einige bauen auch
auf den Methoden der induktiven Logikprogrammierung auf.
stochastische Optimierung (SO)

Jede Optimierungsmethode , die Zufallsvariablen generiert und verwendet. Bei stochastischen Problemen
erscheinen die Zufallsvariablen in der Formulierung des Optimierungsproblems selbst, das zufällige Zielfunktionen
oder zufällige Einschränkungen beinhaltet. Zu den Methoden der stochastischen Optimierung zählen auch
Methoden mit zufälligen Iterationen. Einige stochastische Optimierungsmethoden verwenden zufällige
Iterationen zur Lösung stochastischer Probleme und kombinieren dabei beide Bedeutungen der stochastischen
Optimierung. [293] Stochastische Optimierungsverfahren verallgemeinern deterministische Verfahren für
deterministische Probleme.
Stochastische semantische Analyse

Ein Ansatz, der in der Informatik als semantische Komponente des natürlichen Sprachverständnisses
verwendet wird . Stochastische Modelle verwenden im Allgemeinen die Definition von Wortsegmenten als
grundlegende semantische Einheiten für die semantischen Modelle und beinhalten in einigen Fällen einen
zweischichtigen Ansatz. [294]
Fachexperte Superintelligenz des Stanford Research Institute
Problem Solver (STRIPS).
Ein hypothetischer
Agent, dessen Intelligenz die der klügsten und begabtesten menschlichen Köpfe bei weitem übertrifft.
Superintelligenz kann sich auch auf eine Eigenschaft von Problemlösungssystemen (z. B. superintelligenten
Sprachübersetzern oder technischen Assistenten) beziehen, unabhängig davon, ob diese hochgradigen
intellektuellen Kompetenzen in Agenten verkörpert sind, die in der physischen Welt agieren. Eine Superintelligenz
kann von geschaffen werden oder auch nicht eine Intelligenzexplosion und mit einer technologischen Singularität
verbunden sein. überwachtes Lernen Die maschinelle Lernaufgabe besteht
darin, eine Funktion zu
lernen, die eine Eingabe einer Ausgabe zuordnet, basierend auf beispielhaften Eingabe-Ausgabe-Paaren.[295] Es
leitet eine Funktion aus gekennzeichneten Trainingsdaten ab bestehend aus einer Reihe von Trainingsbeispielen.
[296] Beim überwachten Lernen ist jedes Beispiel ein Paar , das aus einem Eingabeobjekt (typischerweise ein
Vektor) und einem gewünschten Ausgabewert (auch Überwachungssignal genannt ) besteht. Ein überwachter
Lernalgorithmus analysiert die Trainingsdaten und erzeugt eine abgeleitete Funktion, die kann zum
Zuordnen neuer Beispiele verwendet werden. Ein optimales Szenario ermöglicht es dem Algorithmus, die
Klassenbezeichnungen für unsichtbare Instanzen korrekt zu bestimmen. Dies erfordert, dass der Lernalgorithmus
die Trainingsdaten auf „vernünftige“ Weise auf unbekannte Situationen verallgemeinert (siehe induktive
Verzerrung). Support-Vektor-Maschinen Beim
maschinellen Lernen sind Support-
Vektor-Maschinen (SVMs, auch Support-Vector-Netzwerke[297] ) überwachte Lernmodelle mit zugehörigen
Lernalgorithmen, die Daten analysieren, die für die Klassifizierung und Regressionsanalyse verwendet
werden. Schwarmintelligenz (SI)
Das kollektive Verhalten dezentralisierter, selbstorganisierter Systeme, ob natürlich oder künstlich.

Der Ausdruck wurde im Zusammenhang mit zellulären Robotersystemen eingeführt.[298]
symbolische künstliche Intelligenz
Der Begriff für die Sammlung aller Methoden in der Forschung zur künstlichen Intelligenz, die auf
„symbolischen“ (für Menschen lesbaren) Darstellungen von Problemen, Logik und Suche auf hoher Ebene basieren.
Künstliche Intelligenz (SI)

Ein alternativer Begriff für künstliche Intelligenz, der betont, dass die Intelligenz von Maschinen keine
Nachahmung oder in irgendeiner Weise künstlich sein muss; es kann eine echte Form der Intelligenz sein.
[299][300]
Systemneurowissenschaften
Eine Unterdisziplin der Neurowissenschaften und Systembiologie , die die Struktur und Funktion
neuronaler Schaltkreise und Systeme untersucht. Dabei handelt es sich um einen Oberbegriff, der eine Reihe
von Forschungsbereichen umfasst, die sich damit befassen, wie sich Nervenzellen verhalten, wenn sie
miteinander verbunden werden, um Nervenbahnen, neuronale Schaltkreise und größere Gehirnnetzwerke zu bilden.
T
technologische Einzigartigkeit
Ein hypothetischer Zeitpunkt in der Zukunft, an dem das technologische Wachstum unkontrollierbar und irreversibel
wird und unvorstellbare Veränderungen in der menschlichen Zivilisation zur Folge hat. [301][302][303]
Zeitdifferenzlernen
Eine Klasse modellfreier Reinforcement-Learning-Methoden, die durch Bootstrapping aus der aktuellen Schätzung
der Wertfunktion lernen . Diese Methoden tasten wie Monte-Carlo-Methoden Stichproben aus der Umgebung ab
und führen Aktualisierungen basierend auf aktuellen Schätzungen durch, wie dynamische Programmiermethoden.
[304] Tensornetzwerktheorie
Eine Theorie der Gehirnfunktion
(insbesondere des Kleinhirns) , die ein mathematisches Modell der Umwandlung sensorischer Raum-Zeit-
Koordinaten in motorische Koordinaten und umgekehrt durch neuronale Netzwerke des Kleinhirns liefert. Die
Theorie wurde als Geometrisierung der Gehirnfunktion (insbesondere des Zentralnervensystems)
mithilfe von Tensoren entwickelt. [305][306]
TensorFlow
Eine kostenlose Open-Source- Softwarebibliothek für Datenfluss und differenzierbare Programmierung für
eine Reihe von Aufgaben. Es handelt sich um eine symbolische Mathematikbibliothek, die auch für maschinelle
Lernanwendungen wie neuronale Netze verwendet
wird. [307] Theoretische Informatik (TCS)
Ein Teilbereich der allgemeinen Informatik und Mathematik , der sich auf eher mathematische
Themen des Rechnens konzentriert und die Theorie des Rechnens umfasst. Theorie der
Berechnung In der
theoretischen Informatik und Mathematik ist die Berechnungstheorie der Zweig, der sich damit beschäftigt, wie
effizient Probleme anhand eines Berechnungsmodells mithilfe eines Algorithmus gelöst werden können. Das
Fachgebiet ist in drei Hauptzweige unterteilt: Automatentheorie und Sprachen, Berechenbarkeitstheorie
und rechnerische Komplexitätstheorie, die durch die Frage verbunden sind: „Was sind die grundlegenden
Fähigkeiten und Grenzen von Computern?“. [308]
Thompson-Probenahme Eine
Heuristik zur Auswahl von Aktionen, die das Explorations-Ausbeutungs-Dilemma im Problem der mehrarmigen Banditen
angeht . Es besteht darin, die Aktion auszuwählen, die die erwartete Belohnung in Bezug auf eine zufällig gezogene
Überzeugung maximiert. [309][310]
Zeitkomplexität Die
Rechenkomplexität , die die Zeit beschreibt, die zum Ausführen eines Algorithmus benötigt wird. Die
Zeitkomplexität wird üblicherweise durch Zählen der Anzahl der vom Algorithmus ausgeführten Elementaroperationen
geschätzt, wobei davon ausgegangen wird, dass die Ausführung jeder Elementaroperation eine feste Zeitspanne
benötigt. Daher wird davon ausgegangen, dass sich die benötigte Zeit und die Anzahl der vom
Algorithmus durchgeführten Elementaroperationen höchstens um einen konstanten Faktor unterscheiden .
Transhumanismus
Eine internationale philosophische Bewegung , die sich für die Transformation des menschlichen Daseins
einsetzt, indem sie hochentwickelte Technologien entwickelt und allgemein verfügbar macht, um den menschlichen
Intellekt und die Physiologie erheblich zu verbessern. [311][312]
Übergangssystem In der
theoretischen Informatik ist ein Übergangssystem ein Konzept, das beim Studium der Berechnung verwendet wird.
Es wird verwendet, um das mögliche Verhalten diskreter Systeme zu beschreiben. Es besteht aus Zuständen und Übergängen
zwischen Zuständen, die mit aus einer Menge ausgewählten Bezeichnungen gekennzeichnet werden können; Dieselbe
Beschriftung kann bei mehr als einem Übergang erscheinen. Wenn der Etikettensatz ein Singleton ist, ist das System im
Wesentlichen unbeschriftet, und eine einfachere Definition, bei der die Etiketten weggelassen werden, ist möglich.
Baumdurchquerung
Eine Form der Graphendurchquerung und bezieht sich auf den Prozess, bei dem jeder Knoten in einer Baumdatenstruktur
genau einmal besucht (überprüft und/oder aktualisiert) wird. Solche Durchquerungen werden nach der Reihenfolge
klassifiziert, in der die Knoten besucht werden.
wahre quantifizierte boolesche Formel

In der rechnerischen Komplexitätstheorie ist die Sprache TQBF eine formale Sprache, die aus echten quantifizierten
booleschen Formeln besteht. Eine (vollständig) quantifizierte boolesche Formel ist eine Formel in der quantifizierten
Aussagenlogik, bei der jede Variable unter Verwendung existenzieller oder universeller Quantoren quantifiziert ( oder
gebunden) wird , am Anfang des Satzes. Eine solche Formel ist entweder äquivalent zu wahr oder falsch (da es
keine freien Variablen gibt). Wenn eine solche Formel als wahr ausgewertet wird, liegt diese Formel in der Sprache
TQBF vor. Es ist auch als QSAT (Quantified SAT) bekannt.
Turingmaschine
Turing-Test
Ein von Alan Turing im Jahr 1950 entwickelter Test zur Fähigkeit einer Maschine, intelligentes
Verhalten zu zeigen, das dem eines Menschen gleichwertig oder nicht von diesem zu unterscheiden ist. Turing
schlug vor, dass ein menschlicher Bewerter Gespräche in natürlicher Sprache zwischen einem Menschen und einer
Maschine beurteilen würde, die menschliches Verhalten erzeugen soll -ähnliche Antworten. Dem Gutachter wäre bewusst,
dass einer der beiden Gesprächspartner eine Maschine ist, und alle Teilnehmer wären voneinander getrennt. Das
Gespräch wäre auf einen Nur-Text-Kanal wie eine Computertastatur und einen Computerbildschirm beschränkt ,
sodass das Ergebnis nicht von der Fähigkeit der Maschine abhängt, Wörter als Sprache wiederzugeben. [313] Wenn der
Prüfer die Maschine nicht zuverlässig vom Menschen unterscheiden kann, gilt die Maschine als bestanden. Die
Testergebnisse hängen nicht von der Fähigkeit der Maschine ab, auf Fragen korrekte Antworten zu geben, sondern nur
davon, wie ähnlich ihre Antworten denen sind, die ein Mensch geben würde. Typensystem In Programmiersprachen ein
Regelsatz, der den verschiedenen Konstrukten eines
Computerprogramms, wie Variablen, Ausdrücken, Funktionen oder Modulen, eine Eigenschaft namens Typ zuweist. [314] Diese
Typen formalisieren und erzwingen die ansonsten impliziten Kategorien, die der Programmierer für
algebraische Datentypen, Datenstrukturen oder andere Komponenten verwendet (z. B. „String“, „Array of Float“,
„Funktion, die einen booleschen Wert zurückgibt“). Der Hauptzweck eines Typsystems [315] durch die Definition
von Schnittstellen besteht darin, die Möglichkeit von Fehlern in Computerprogrammen zwischen verschiedenen Teilen
reduzieren und dann zu überprüfen, ob die Teile auf konsistente Weise eines Computerprogramms zu
verbunden wurden. Diese Prüfung kann statisch (zur Kompilierzeit), dynamisch (zur Laufzeit) oder als Kombination aus
statischer und dynamischer Prüfung erfolgen. Typsysteme dienen auch anderen Zwecken, z. B. dem Ausdrücken
von Geschäftsregeln, dem Ermöglichen bestimmter Compiler-Optimierungen, dem Ermöglichen des
Mehrfachversands, der Bereitstellung einer Form der Dokumentation usw.
U
unbeaufsichtigtes Lernen Eine
Art selbstorganisiertes hebräisches Lernen , das dabei hilft, bisher unbekannte Muster in Datensätzen ohne bereits
vorhandene Etiketten zu finden. Es wird auch als Selbstorganisation bezeichnet und ermöglicht die Modellierung
von Wahrscheinlichkeitsdichten gegebener Eingaben.[316] Es ist neben überwachtem und verstärkendem Lernen eine der
drei Hauptkategorien des maschinellen Lernens. Auch halbüberwachtes Lernen wurde beschrieben und ist eine
Hybridisierung überwachter und unüberwachter Techniken.
V
Vision Processing Unit (VPU)
Eine Art Mikroprozessor zur Beschleunigung von Bildverarbeitungsaufgaben .[317][318] Vollständige

Wertausrichtung – Analog zu einem vollständigen KI- Problem ist ein vollständiges Wertausrichtungsproblem
ein Problem, bei dem das KI-Steuerungsproblem vollständig gelöst werden muss, um es zu lösen.
W
Watson
Ein Frage-Antwort-Computersystem, das in der Lage ist, auf natürliche Weise gestellte Fragen zu beantworten
des [319] entwickelt im DeepQA-Projekt von IBM von einem Forschungsteam unter der Leitung
Hauptsprachenforschers David Ferrucci. [320] Watson wurde nach dem ersten CEO von IBM, dem
Industriellen Thomas J. Watson, benannt. [321][322]
schwache KI
Künstliche Intelligenz, die sich auf eine enge Aufgabe konzentriert.[323][324][325]

World Wide Web Consortium (W3C)
Die wichtigste internationale Normungsorganisation für das World Wide Web (abgekürzt WWW oder
W3).
Siehe auch
Künstliche Intelligenz
Verweise
1. Zum Beispiel: Josephson, John R.; Josephson, Susan G., Hrsg. (1994). Abduktive Folgerung: Berechnung,
Philosophie, Technologie. Cambridge, Großbritannien; New York: Cambridge University Press. doi:10.1017/
CBO9780511530128 (https://doi.org/10.1017%2FCBO9780511530128).
ISBN 978-0521434614. OCLC 28149683 (https://www.worldcat.org/oclc/28149683).
2. „Retroduction“ (https://commens.org/dictionary/term/retroduction). Commens – Digitaler Begleiter von CS
Peirce. Mats Bergman, Sami Paavola und João Queiroz. Abgerufen am 24. August 2014.
3. Colburn, Timothy; Shute, Gary (5. Juni 2007). „Abstraktion in der Informatik“. Köpfe und Maschinen. 17 (2): 169–
184. doi:10.1007/s11023-007-9061-7 (https://doi.org/10.1007%2Fs11 023-007-9061-7). ISSN 0924-6495 (https://
www.worldcat.org/issn/0924-6495).
S2CID 5927969 (https://api.semanticsscholar.org/CorpusID:5927969).
4. Kramer, Jeff (1. April 2007). „Ist Abstraktion der Schlüssel zum Rechnen?“ Mitteilungen der
ACM. 50 (4): 36–42. CiteSeerX 10.1.1.120.6776 (https://citeseerx.ist.psu.edu/viewdoc/summ ary?
doi=10.1.1.120.6776). doi:10.1145/1232743.1232745 (https://doi.org/10.1145%2F1232 743.1232745). ISSN
0001-0782 (https://www.worldcat.org/issn/0001-0782).
5. Michael Gelfond, Vladimir Lifschitz (1998) „Action Languages (https://ep.liu.se/ea/cis/1998/0 16/)“, Linköping
Electronic Articles in Computer and Information Science, Bd. 3, Nr. 16 .
6. Jang, Jyh-Shing R (1991). Fuzzy-Modellierung mit verallgemeinerten neuronalen Netzen und Kalman-
Filter-Algorithmus (https://aaai.org/Papers/AAAI/1991/AAAI91-119.pdf) (PDF).
Tagungsband der 9. Nationalen Konferenz für Künstliche Intelligenz, Anaheim, Kalifornien, USA, 14.–19. Juli.
Bd. 2. S. 762–767.
7. Jang, J.-SR (1993). „ANFIS: adaptives netzwerkbasiertes Fuzzy-Inferenzsystem“. IEEE

Transaktionen zu Systemen, Menschen und Kybernetik. 23 (3): 665–685. doi:10.1109/21.256541 (ht tps://
doi.org/10.1109%2F21.256541). S2CID 14345934 (https://api.semanticsscholar.org/Cor pusID:14345934).
8. Abraham,A. (2005), „Anpassung des Fuzzy-Inferenzsystems mithilfe neuronalen Lernens“, in

Nedjah, Nadia; De Macedo Mourelle, Luiza (Hrsg.), Fuzzy Systems Engineering: Theory and Practice,
Studies in Fuzziness and Soft Computing, vol. 181, Deutschland: Springer Verlag, S. 53–83, CiteSeerX
10.1.1.161.6135 (https://citeseerx.ist.psu.edu/viewdoc/summary?doi= 10.1.1.161.6135),
doi:10.1007/11339366_3 (https://doi.org/10.1007%2F11339366_3), ISBN 978-3-540-25322-8
9. Jang, Sun, Mizutani (1997) – Neuro-Fuzzy und Soft Computing – Prentice Hall, S. 335–368, ISBN
0-13-261066-3
10. Tahmasebi, P. (2012). „Ein hybrider Algorithmus aus neuronalen Netzen, Fuzzy-Logik und Genetik zur
Notenschätzung “ (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4268588). Computer und
Geowissenschaften. 42: 18–27. Bibcode:2012CG.....42...18T (https://ui.adsabs.harvard.edu/abs/20
12CG.....42...18T). doi:10.1016/j.cageo.2012.02.004 (https://doi.org/10.1016%2Fj.cageo.201 2.02.004). PMC
4268588 (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4268588).
PMID 25540468 (https://pubmed.ncbi.nlm.nih.gov/25540468).
11. Tahmasebi, P. (2010). „Vergleich eines optimierten neuronalen Netzwerks mit Fuzzy-Logik für Erz
Notenschätzung“ (https://www.researchgate.net/publication/266881168). Australian Journal of Basic and
Applied Sciences. 4: 764–772.
12. Russell, SJ; Norvig, P. (2002). Künstliche Intelligenz: Ein moderner Ansatz. Prentice Hall.
ISBN 978-0-13-790395-5.
13. Tao, Jianhua; Tieniu Tan (2005). „Affective Computing: Ein Rückblick“. Affektives Computing und intelligente
Interaktion. Bd. LNCS 3784. Springer. S. 981–995. doi:10.1007/11573548 (http://doi.org/
10.1007%2F11573548 ).
14. El Kaliouby, Rana (November–Dezember 2017). „Wir brauchen Computer mit Empathie“ (http://
wayback.archive-it.org/all/20180707140902/https://technologyreview.com/s/609071/we-need-computers-with-
empathy/ ). Technologieüberprüfung. Bd. 120, nein. 6. S. 8. Archiviert vom Original (https://
technologyreview.com/s/609071/we-need-computers-with-empathy/) am 7. Juli 2018. Abgerufen am 6.
November 2018.
15. Vergleich der Agentenarchitekturen (https://hri.cogs.indiana.edu/publications/aaai04ws.pdf)
Archiviert (https://web.archive.org/web/20080827222057/https://hri.cogs.indiana.edu/publicat ions/
aaai04ws.pdf) 27. August 2008, bei der Wayback Machine
16. „Intel stellt Movidius Compute Stick USB AIAccelerator vor“ (https://web.archive.org/web/201 70811193632/
https://v3.co.uk/v3-uk/news/3014293/intel-unveils-movidius -compute-stick-us b-ai-accelerator). 21. Juli 2017.
Archiviert vom Original (https://v3.co.uk/v3-uk/news/30142 93/intel-unveils-movidius-compute-stick-usb-ai-
accelerator) am 11. August 2017. Abgerufen 28. November 2018.
17. „Inspurs stellt GX4 AIAccelerator vor“ (https://insidehpc.com/2017/06/inspurs-unveils-gx4-ai accelerator/).

21. Juni 2017.
18. Shapiro, Stuart C. (1992). Künstliche Intelligenz (https://cse.buffalo.edu/~shapiro/Papers/ai.pd f) In Stuart C.
Shapiro (Hrsg.), Encyclopedia ofArtificial Intelligence (Zweite Auflage , S. 54–57). New York: John Wiley.
(Abschnitt 4 befasst sich mit „AI-Complete-Aufgaben“.)
19. Solomonoff, R., „Ein vorläufiger Bericht über eine allgemeine Theorie der induktiven Inferenz (https://wo
rld.std.com/~rjs/z138.pdf)“, Bericht V-131, Zator Co., Cambridge, Ma. (Überarbeitung des Berichts vom 4.
Februar 1960 im November 1960).
20. „Künstliche Intelligenz: Googles AlphaGo schlägt Go-Meister Lee Se-dol“ (https://bbc.com/new s/
technology-35785875). BBC News. 12. März 2016. Abgerufen am 17. März 2016.
21. „AlphaGo | DeepMind“ (https://deepmind.com/research/alphago/). DeepMind.
22. „Forschungsblog: AlphaGo: Mit maschinellem Lernen das alte Go-Spiel meistern“ (http s://googleresearch.blogspot.com/
2016/01/alphago-mastering-ancient-game-of-go.html).
Google-Forschungsblog. 27. Januar 2016.
23. „Google schafft den ‚Durchbruch‘ bei der KI, indem es den Go-Champion besiegt“ (https://bbc.com/news/technol
ogy-35420579). BBC News. 27. Januar 2016.
24. Siehe Dung (1995)
25. Siehe Besnard und Hunter (2001) 26.
siehe Bench-Capon (2002)
27. Definition von KI als das Studium intelligenter Agenten:
Poole, Mackworth & Goebel 1998, p. 1 (https://people.cs.ubc.ca/~poole/ci/ch1.pdf), Hier finden Sie die
Version, die in diesem Artikel verwendet wird. Beachten Sie, dass sie den Begriff „Computational
Intelligence“ als Synonym für künstliche Intelligenz verwenden.
Russell & Norvig (2003) (die den Begriff „rationaler Agent“ bevorzugen) und schreiben: „Die Sichtweise des
gesamten Agenten ist in diesem Bereich mittlerweile weithin akzeptiert“ (Russell & Norvig 2003, S. 55).
Nilsson 1998
Legg & Hutter 2007.
28. Russell & Norvig 2009, p. 2.

29. „AAAI-Unternehmenssatzung“ (https://aaai.org/Organization/bylaws.php).
30. Cipresso, Pietro; Giglioli, Irene Alice Chicchi; Raya, iz; Riva, Giuseppe (7. Dezember 2011).
„Vergangenheit, Gegenwart und Zukunft der Virtual- und Augmented-Reality-Forschung: Eine Netzwerk- und
Clusteranalyse der Literatur“ (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6232426).
Grenzen in der Psychologie. 9: 2086. doi:10.3389/fpsyg.2018.02086 (https://doi.org/10.3389%2F fpsyg.2018.02086).
PMC 6232426 (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC623242 6). PMID 30459681 (https://
pubmed.ncbi.nlm.nih.gov/30459681).
31. Ghallab, Malik; Nau, Dana S.; Traverso, Paolo (2004), Automatisierte Planung: Theorie und Praxis (https://laas.fr/
planning/), Morgan Kaufmann, ISBN 978-1-55860-856-6 32. Kephart, JO; Chess, DM (2003), „The
vision of autonomes Computing“, Computer, 36: 41– 52, CiteSeerX 10.1.1.70.613 (https://citeseerx.ist.psu.edu/viewdoc/
summary?doi=10.1. 1.70.613 ), doi:10.1109/MC.2003.1160055 (https://doi.org/10.1109%2FMC.2003.1160055)
33. Gehrig, Stefan K.; Stein, Fridtjof J. (1999). Koppelnavigation und Kartografie mit Stereovision für ein automatisiertes
Auto. Internationale IEEE/RSJ-Konferenz über intelligente Roboter und Systeme. Bd. 3. Kyongju. S. 1507–1512.
doi:10.1109/IROS.1999.811692 (https://doi.org/1 0.1109%2FIROS.1999.811692). ISBN 0-7803-5184-3.
34. „Selbstfahrendes Uber-Auto tötet Frau aus Arizona beim Überqueren der Straße“ (https://reuters.com/article/us-aut
os-selfdriving-uber-idUSKBN1GV296). Reuters. 20. März 2018.
35. Thrun, Sebastian (2010). „Auf dem Weg zu Roboterautos“. Mitteilungen der ACM. 53 (4): 99– 106.
doi:10.1145/1721654.1721679 (https://doi.org/10.1145%2F1721654.1721679).
36. „Information Engineering Haupt-/Homepage“ (https://robots.ox.ac.uk/). Universität von Oxford.
Abgerufen am 3. Oktober 2018.
37. Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016) Deep Learning. MIT Press. P. 196.
ISBN 9780262035613
38. Nielsen, Michael A. (2015). „Kapitel 6“ (https://neuralnetworksanddeeplearning.com/chap6.html ). Neuronale Netze und

Deep Learning.
39. „Deep Networks: Überblick – Ufldl“ (https://ufldl.stanford.edu/wiki/index.php/Deep_Networks:
_Überblick). ufdl.stanford.edu. Abgerufen am 4. August 2017.
40. Mozer, MC (1995). „Ein fokussierter Backpropagation-Algorithmus für zeitliche Muster

Anerkennung“ (https://www.researchgate.net/publication/243781476). In Chauvin, Y.; Rumelhart, D.
(Hrsg.). Backpropagation: Theorie, Architekturen und Anwendungen. Hillsdale, NJ: Lawrence Erlbaum
Associates. S. 137–169. Abgerufen am 21. August 2017.
41. Robinson, AJ & Fallside, F. (1987). Das vom Dienstprogramm gesteuerte Netzwerk zur dynamischen Fehlerausbreitung
(ht tps://bibsonomy.org/bibtex/269a88ecbac9a51cbf0b4be189c412820/idsia) (Technischer Bericht).
Universität Cambridge, Fakultät für Ingenieurwissenschaften. CUED/F-INFENG/TR.1.
42. Werbos, Paul J. (1988). „Verallgemeinerung der Backpropagation mit Anwendung auf ein wiederkehrendes
Gasmarktmodell“ (https://zenodo.org/record/1258627). Neuronale Netze. 1 (4): 339–356.
doi:10.1016/0893-6080(88)90007-x (https://doi.org/10.1016%2F0893-6080%2888%299000 7-x).
43. Feigenbaum, Edward (1988). Der Aufstieg des Expertenunternehmens (https://archive.org/details/ris

eofexpertco00feig). Times-Bücher. P. 317 (https://archive.org/details/riseofexpertco00feig/pag e/317). ISBN
978-0-8129-1731-4.
44. Sivic, Josef (April 2009). „Effiziente visuelle Suche von Videos als Textabfrage“ (https://di.en s.fr/~josef/publications/
sivic09a.pdf) (PDF). IEEE-Transaktionen zu Musteranalyse und maschineller Intelligenz. 31 (4): 591–605.
CiteSeerX 10.1.1.174.6841 (https://citeseerx.ist.psu.e du/viewdoc/summary?doi=10.1.1.174.6841). doi:10.1109/
TPAMI.2008.111 (https://doi.org/1 0.1109%2FTPAMI.2008.111). PMID 19229077 (https://pubmed.ncbi.nlm.nih.gov/
19229077).
45. McTear et al 2016, p. 167.
46. „Den Rückwärtsdurchlauf durch die Batch-Normalisierungsschicht verstehen“ (https://kratzert.githu b.io/2016/02/12/
understanding-the-gradient-flow-through-the-batch-normalization-layer.htm l ). kratzert.github.io. Abgerufen am 24.
April 2018.
47. Ioffe, Sergey; Szegedy, Christian (2015). „Batch-Normalisierung: Beschleunigung des Deep-Network -Trainings
durch Reduzierung der internen Kovariatenverschiebung“. arXiv:1502.03167 (https://arxiv.org/abs/1502.03167 )
[cs.LG (https://arxiv.org/archive/cs.LG)].
48. „Glossar des Deep Learning: Batch-Normalisierung“ (https://medium.com/deeper-learning/glosary-of-deep-learning-
batch-normalisation-8266dcd2fa82 ). medium.com. 27. Juni 2017.
Abgerufen am 24. April 2018.
49. „Batch-Normalisierung in neuronalen Netzen“ (https://towardsdatascience.com/batch-normalizati on-in-neural-
networks-1ac91516821c). intodatascience.com. 20. Oktober 2017.
50. Pham DT, Ghanbarzadeh A, Koc E, Otri S, Rahim S und Zaidi M. The Bees Algorithm.
Technische Anmerkung, Manufacturing Engineering Centre, Cardiff University, Großbritannien, 2005.
51. Pham, DT, Castellani, M. (2009), The Bees Algorithm – Modeling Foraging Behavior to
Kontinuierliche Optimierungsprobleme lösen (https://pic.sagepub.com/content/223/12/2919.sho rt) Archiviert (https://
web.archive.org/web/20161109125453/https://pic.sagepub. com/content/ 223/12/2919.short) 9. November 2016
bei der Wayback Machine. Proz. ImechE, Teil C, 223(12), 2919-2938.
52. Pham, DT; Castellani, M. (2014). „Benchmarking und Vergleich von naturinspirierten
Populationsbasierte kontinuierliche Optimierungsalgorithmen". Soft Computing. 18 (5): 871–903. doi:10.1007/
s00500-013-1104-9 (https://doi.org/10.1007%2Fs00500-013-1104-9) .
53. Pham, Duc Truong; Castellani, Marco (2015). „Eine vergleichende Studie des Bees-Algorithmus als Werkzeug zur
Funktionsoptimierung“ (https://doi.org/10.1080%2F23311916.2015.1091540).
Überzeugendes Engineering. 2. doi:10.1080/23311916.2015.1091540 (https://doi.org/10.1080%2F2
3311916.2015.1091540).
54. Nasrinpour, HR; Massah Bavani,A.; Teshnehlab, M. (2017). „Grouped Bees-Algorithmus: Eine
gruppierte Version des Bees-Algorithmus“ (https://doi.org/10.3390%2Fcomputers6010005).
Computers. 6 (1): 5. doi:10.3390/computers6010005 (https://doi.org/10.3390%2Fcomputers6 010005).
55. Cao, Longbing (2010). „Umfassendes Verhaltensverständnis und -nutzung: der Ansatz der
Verhaltensinformatik“. Informationswissenschaft. 180 (17): 3067–3085. arXiv:2007.15516 (https://
arxiv.org/ab s/2007.15516). doi:10.1016/j.ins.2010.03.025 (https://doi.org/10.1016%2Fj.ins.2010.03.025).
56. Colledanchise Michele und Ögren Petter 2016. Wie Verhaltensbäume hybride Steuerungssysteme
modularisieren und sequentielle Verhaltenszusammensetzungen, die Subsumptionsarchitektur
und Entscheidungsbäume verallgemeinern. In IEEE Transactions on Robotics Bd. PP, Nr. 99, S. 1-18
(2016) (https://michelecolledanchise.com/tro16colledanchise.pdf)
57. Colledanchise, Michele; Ögren, Petter (2018). Verhaltensbäume in Robotik und KI.
arXiv:1709.00084 (https://arxiv.org/abs/1709.00084). doi:10.1201/9780429489105 (https://do i.org/
10.1201%2F9780429489105). ISBN 9780429950902. S2CID 27470659 (https://api.se manticscholar.org/
CorpusID:27470659).
58. Breur, Tom (Juli 2016). „Statistische Machtanalyse und die gegenwärtige „Krise“ im sozialen Bereich
Wissenschaften“ (https://doi.org/10.1057%2Fs41270-016-0001-3). Journal of Marketing Analytics. 4 (2–
3): 61–65. doi:10.1057/s41270-016-0001-3 ( https://doi.org/10.1057%2Fs41270-016-0001 -3). ISSN
59. Bachmann, Paul (1894). Analytische Zahlentheorie (https://archive.org/stream/dieanalytisch
eza00bachuoft#page/402/mode/2up) [Analytische Zahlentheorie] (auf Deutsch). Bd. 2. Leipzig:
Teubner.
60. Landau, Edmund (1909). Handbuch der Lehre von der Verteilung der Primzahlen ( https:// arc hive.org/
details/handbuchderlehre01landuoft) . Leipzig: BG Teubner. P. 883.
61. John, Taylor (2009). Garnier, Rowan (Hrsg.). Diskrete Mathematik: Beweise, Strukturen und
Anwendungen, dritte Ausgabe (https://books.google.com/books?id=WnkZSSc4IkoC&pg=PA62 0).
CRC-Presse. P. 620. ISBN 978-1-4398-1280-8.
62. Skiena, Steven S. (2009). Das Algorithmus-Design-Handbuch (https://books.google.com/books?id
=7XUSn0IKQEgC&pg=PA77). Springer Wissenschafts- und Wirtschaftsmedien. P. 77. ISBN
978-1-84800-070-4 .
63. Erman, LD; Hayes-Roth, F.; Lesser, VR; Reddy, DR (1980). „Das Sprachverständnissystem
Hearsay-II: Integration von Wissen zur Lösung von Unsicherheiten“. ACM-Computing- Umfragen.
12 (2): 213. doi:10.1145/356810.356816 (https://doi.org/10.1145%2F356810.3568 16). S2CID 118556
(https://api.semanticsscholar.org/CorpusID:118556).
64. Corkill, Daniel D. (September 1991). „Tafelsysteme“ (https://bbtech.com/papers/ai-ex pert.pdf) (PDF).
KI-Experte. 6 (9): 40–47.
65. * Nii, H. Yenny (1986). Blackboard Systems (https://i.stanford.edu/pub/cstr/reports/cs/tr/86/11 23/CS-
TR-86-1123.pdf) (PDF) (Technischer Bericht). Fakultät für Informatik, Stanford University.
STAN-CS-86-1123. Abgerufen am 12. April 2013.
66. Hayes-Roth, B. (1985). „Eine Blackboard-Architektur zur Kontrolle“. Künstliche Intelligenz. 26 (3):
251–321. doi:10.1016/0004-3702(85)90063-3 (https://doi.org/10.1016%2F0004-3702%288
5%2990063-3).
67. Hinton, Geoffrey E. (24. Mai 2007). „Boltzmann-Maschine“ (https://doi.org/10.4249%2Fschola
rpedia.1668). Scholarpedia. 2 (5): 1668. Bibcode:2007SchpJ...2.1668H (https://ui.adsabs.harvard.edu/
abs/2007SchpJ...2.1668H ). doi:10.4249/scholarpedia.1668 (https://doi.org/10.424
9%2Fscholarpedia.1668). ISSN 1941-6016 (https://www.worldcat.org/issn/1941-6016).
68. NZZ- Die Zangengeburt eines möglichen Stammvaters (https://nzz.ch/aktuell/zuerich/uebers icht/die-zangengeburt-eines-

designierten-stammvaters-1.18029566). Website Neue Zürcher Zeitung. Gesehen am 16. August 2013.
69. Offizielle Homepage Roboy (https://roboy.org/mediaundnews.html) Archiviert (https://web.archi ve.org/web/

20130803052035/https://roboy.org/mediaundnews.html) 2013–08 -03 bei der Wayback Machine. Website
Roboy. Gesehen am 16. August 2013.
70. Offizielle Homepage von Starmind (https://starmind.com/). Website Starmind. Gesehen am 16. August
2013.
71. Sabour, Sara; Frost, Nicholas; Hinton, Geoffrey E. (26. Oktober 2017). „Dynamisches Routing
Zwischen Kapseln". arXiv:1710.09829 (https://arxiv.org/abs/1710.09829) [cs.CV (https://arxi v.org/archive/cs.CV)].
72. „Was ist ein Chatbot?“ (https://searchdomino.techtarget.com/sDefinition/0,,sid4_gci935566,00.

html). techtarget.com. Abgerufen am 30. Januar 2017.
73. Civera, Javier; Ciocarlie, Matei; Aydemir, Alper; Bekris, Kostas; Sarma, Sanjay (2015).
„Gast-Redaktions-Sonderausgabe zu Cloud-Robotik und Automatisierung“. IEEE-Transaktionen zur
Automatisierungswissenschaft und -technik. 12 (2): 396–397. doi:10.1109/TASE.2015.2409511 ( http://doi.org/
10.1109%2FTASE.2015.2409511). S2CID 16080778 (https://api.semanticschol ar.org/CorpusID:16080778).
74. „Robo Earth – Tech News“ (https://roboearth.org/). Robo-Erde.

75. Goldberg, Ken. „Cloud-Robotik und Automatisierung“ (https://goldberg.berkeley.edu/cloud-roboti
cs).
76. Li, R. „Cloud Robotics – Cloud Computing für Roboter ermöglichen“ (https://sites.google.com/site/ruiji
aoli/blogs/page). Abgerufen am 7. Dezember 2014.
77. Fisher, Douglas (1987). „Wissenserwerb durch inkrementelles konzeptionelles Clustering“ (http
s://doi.org/10.1007%2FBF00114265). Maschinelles Lernen. 2 (2): 139–172. doi:10.1007/
BF00114265 (https://doi.org/10.1007%2FBF00114265).
78. Fisher, Douglas H. (Juli 1987). „Verbesserung der Inferenz durch konzeptionelles Clustering“.
Tagungsband der AAAI- Konferenzen von 1987.AAAI-Konferenz. Seattle, Washington. S. 461–465.
79. Iba, William; Langley, Pat (27. Januar 2011). „Spinnennetzmodelle der Kategorisierung und
probabilistische Konzeptbildung". In Pothos, Emmanuel M.; Wills, Andy J. (Hrsg.). Formale Ansätze in der
Kategorisierung. Cambridge: Cambridge University Press. S. 253–273.
ISBN 9780521190480.
80. Weitere Informationen finden Sie auf der IKT-Website: https://

cogarch.ict.usc.edu/ 81. „Hewlett Packard Labs“ (https://labs.hpe.com/research/next-next/brain/).
82. Terdiman, Daniel (2014) .Der TrueNorth-Prozessor von IBM ahmt den Menschen nach
Gehirn.https://cnet.com/news/ibms-truenorth-processor-mimics-the-human-brain/ 83. Knight, Shawn
(2011). IBM stellt Cognitive-Computing-Chips vor, die das menschliche Gehirn nachahmen (http s:// techspot.com/ news/
45138-ibm-unveils-cognitive-computing-chips-that-mimic-human-brai n.html) TechSpot: 18. August 2011 , 12.00
84. Hamill, Jasper (2013). Cognitive Computing: IBM stellt Software für sein Gehirn vor
SyNAPSE-Chips (https:// theregister.co.uk/ 2013/08/08/ ibm_unveils_computer_architecture_b ased_upon_your_brain/)
The Register: 8. August 2013
85. Denning., PJ (2014). „Surfen in die Zukunft“. Mitteilungen der ACM. 57 (3): 26–29. doi:10.1145/2566967 (https://doi.org/
10.1145%2F2566967). S2CID 20681733 (https://ap i.semanticsscholar.org/CorpusID:20681733).
86. Ludwig, Lars (2013). Erweitertes künstliches Gedächtnis: Auf dem Weg zu einer integralen kognitiven Theorie von
Gedächtnis und Technologie (https://kluedo.ub.uni-kl.de/frontdoor/index/index/docId/3662) (pdf)
(These). Technische Universität Kaiserslautern. Abgerufen am 7. Februar 2017.
87. „Forschung bei HP Labs“ (https://hpl.hp.com/research/).

88. „Automatisieren Sie komplexe Arbeitsabläufe mithilfe von Tactical Cognitive Computing: Coseer“ (https://thesilic
onreview.com/magazines/automate-complex-workflows-using-tactical-cognitive-computing-c oseer/). thesiliconreview.com.
Abgerufen am 31. Juli 2017.
89. Die Kognitionswissenschaft ist ein interdisziplinäres Feld von Forschern aus den Bereichen Linguistik, Psychologie,
Neurowissenschaften, Philosophie, Informatik und Anthropologie, die den Geist verstehen wollen. Wie wir lernen:
Fragen Sie den Kognitionswissenschaftler (https://aft.org/newspubs/periodicals/ae/su mmer2002/willingham.cfm)
90. Schrijver, Alexander (1. Februar 2006). Ein Kurs in kombinatorischer Optimierung (PDF),
Seite 1.
91. HAYKIN, S. Neuronale Netze – Eine umfassende Grundlage. Zweite Ausgabe. Pearson Prentice Hall: 1999.
92. „PROGRAMME MIT GESUNDEM MENSCHENVERSTAND“ (https://www-formal.stanford.edu/jmc/mcc59/mcc5

9.html). www-formal.stanford.edu. Abgerufen am 11. April 2018.
93. Davis, Ernest; Marcus, Gary (2015). „Commonsense Reasoning“ (https://cacm.acm.org/maga zines/2015/9/191169-
commonsense-reasoning-and-commonsense-knowledge-in-artificial-intelligence/fulltext). Mitteilungen der ACM. Bd.
58, Nr. 9. S. 92–103. doi:10.1145/2701413 (https://doi.org/10.1145%2F2701413).
94. Hulstijn, J und Nijholt, A. (Hrsg.). Vorträge des Internationalen Workshops zum Thema
Computerhumor. Nummer 12 in Twente Workshops zu Sprachtechnologie, Enschede, Niederlande.
Universität Twente, 1996.
95. „ACL – Association for Computational Learning“ (https://learningtheory.org/).
96. Trappenberg, Thomas P. (2002). Grundlagen der Computational Neuroscience. Vereinigt
Staaten: Oxford University Press Inc. p. 1. ISBN 978-0-19-851582-1.
97. Was ist Computational Neuroscience? Patricia S. Churchland, Christof Koch, Terrence J.
Sejnowski. in Computational Neuroscience S. 46-55. Herausgegeben von Eric L. Schwartz. 1993. MIT Press
„Computational Neuroscience, herausgegeben von Eric L. Schwartz“ (https://web.archive.org/we b/20110604124206/
https://mitpress.mit.edu/catalog/item/default.asp?ttype= 2&tid=7195).
Archiviert vom Original (https://mitpress.mit.edu/catalog/item/default.asp?ttype=2&tid=719 5) am 4. Juni 2011.
Abgerufen am 11. Juni 2009.
98. „Theoretische Neurowissenschaften“ (https://web.archive.org/web/20180531150713/https://mitpress. mit.edu/books/
theoretical-neuroscience). The MIT Press. Archiviert vom Original (https://m itpress.mit.edu/books/theoretical-
neuroscience) am 31. Mai 2018. Abgerufen am 24. Mai 2018.
99. Gerstner, W.; Kistler, W.; Naud, R.; Paninski, L. (2014). Neuronale Dynamik. Cambridge, Großbritannien:
Cambridge University Press. ISBN 9781107447615.
100. Kamentsky, LA; Liu, C.-N. (1963). „Computerautomatisiertes Design von Multifont-Drucken.“
Erkennungslogik“ (https://domino.research.ibm.com/tchjr/journalindex.nsf/0/a5cb0910ea78 194885256bfa00683e5a?
OpenDocument). IBM Journal of Research and Development. 7 (1): 2. doi:10.1147/rd. 71.0002 (https://doi.org/
10.1147%2Frd.71.0002).
101. Brncick, M (2000). „Computerautomatisiertes Design und computerautomatisierte Fertigung“.
Phys Med Rehabil Clin N Am. 11 (3): 701–13. doi:10.1016/s1047-9651(18)30806-4 (https://d oi.org/
10.1016%2Fs1047-9651%2818%2930806-4). PMID 10989487 (https://pubmed.ncbi.n lm.nih.gov/10989487).
102. Li, Y.; et al. (2004). „CAutoCSD – Computer mit evolutionärer Suche und Optimierung
automatisiertes Steuerungssystemdesign“ (https://link.springer.com/article/10.1007%2Fs11633-004-0076-8).
International Journal ofAutomation and Computing. 1 (1): 76–88. doi:10.1007/s11633-
004-0076-8 (https://doi.org/10.1007%2Fs11633-004-0076-8).
103. Kramer, GJE; Grierson, DE (1989). „Computerautomatisiertes Design von Strukturen unter
dynamischen Belastungen“. Computer & Strukturen. 32 (2): 313–325. doi:10.1016/0045-7949
(89)90043-6 (https://doi.org/10.1016%2F0045-7949%2889%2990043-6).
104. Moharrami, H; Grierson, DE (1993). „Computerautomatisierte Bemessung von Stahlbeton
Frameworks". Journal of Structural Engineering. 119 (7): 2036–2058. doi:10.1061/
(asce)0733-9445(1993)119:7(2036) (https://doi.org/10.1061%2F%28asce %290
733-9445%281993%29119%3A7%282036%29).
105. Xu, L; Grierson, DE (1993). „Computerautomatisiertes Design halbstarrer Stahlgerüste“.
Zeitschrift für Bauingenieurwesen. 119 (6): 1740–1760. doi:10.1061/(asce)0733-
9445(1993)119:6(1740) (https://doi.org/10.1061%2F%28asce%290733-9445%281993%291
19%3A6%281740%29).
106. Barsan, GM; Dinsoreanu, M, (1997). Computerautomatisiertes Design basierend auf strukturellen
Leistungskriterien, Mouchel Centenary Conference on Innovation in Civil and Structural
Ingenieurwesen, 19.–21. August, Cambridge England, Innovation im Bau- und Strukturbau
Ingenieurwesen, 167-172
107. Li, Yun (1996). „Automatisierter Ansatz mit genetischen Algorithmen für den Entwurf von Gleitmodus-
Steuerungssystemen“. Internationale Zeitschrift für Kontrolle. 63 (4):
721–739. doi:10.1080/00207179608921865 (https://doi.org/10.1080%2F00207179608921865).
108. Li, Yun; Chwee Kim, Ng; Chen Kay, Tan (1995). „Automatisierung von Linearem und Nichtlinearem.“
Design von Steuerungssystemen durch evolutionäre Berechnung“ (https://sciencedirect.com/science/art icle/
pii/S1474667017451585/pdf?md5=b7aedf998282848dfcf44a1ea2f003dd&pid=1-s2.0-S 1474667017451585-
main.pdf) (PDF). IFAC Proceed ings Bände. 28 (16): 85–90. doi:10.1016/S1474-6670(17)45158-5
(https://doi.org/10.1016%2FS1474-6670%2817%2945 158-5).
109. Barsan, GM, (1995) Computer-automatisiertes Design halbstarrer Stahlgerüste gemäß EUROCODE-3,
Nordic Steel Construction Conference 95, 19.-21. JUNI, 787-794 110. Gray, Gary J.; Murray-
Smith, David J.; Li, Yun; et al. (1998). „Nichtlineare Modellstruktur
Identifizierung mittels genetischer Programmierung“ (https://sciencedirect.com/science/article/pii/S096
7066198000872/pdf?md5=5ad89d3029a3ebad83086271f3c78f75&pid=1-s2.0-S09670661 98000872-
main.pdf) (PDF). Control Engineering Practice. 6 (11): 1341–1352. doi:10.1016/
s0967-0661(98)00087-2 (https://doi.org/10.1016%2Fs0967-0661%2898%2900 087-2).
111. Zhan, ZH, et al. (2011). Evolutionäre Berechnung trifft auf maschinelles Lernen: eine Umfrage, IEEE
Computational Intelligence Magazine, 6(4), 68-75. (https://ieeexplore.ieee.org/stamp/stamp.j sp?
tp=&arnumber=6052374)
112. Gregory S. Hornby (2003). Generative Darstellungen für computerautomatisiertes Design
Systems, NASAAmes Research Center, Mail Stop 269-3, Moffett Field, CA 94035-1000 (http s://
ti.arc.nasa.gov/m/pub-archive/768h/0768%20(Hornby).pdf)
113. J. Clune und H. Lipson (2011). Entwicklung dreidimensionaler Objekte mit einem Generativ
von der Entwicklungsbiologie inspirierte Kodierung. Tagungsband der Europäischen Konferenz über
künstliches Leben. 2011. (https://msu.edu/~jclune/webfiles/publications/2011-CluneLipson-Evolvi
ng3DObjectsWithCPPNs-ECAL.pdf)
114. Zhan, ZH; et al. (2009). „Adaptive Partikelschwarmoptimierung“ (https://eprints.gla.ac.uk/76 45/1/7645.pdf)
(PDF). IEEE-Transaktionen zu Systemen, Menschen und Kybernetik, Teil B (Kybernetik). 39 (6):
1362–1381. doi:10.1109/tsmcb.2009.2015956 (https://doi.org/10.110 9%2Ftsmcb.2009.2015956). PMID
19362911 (https://pubmed.ncbi.nlm.nih.gov/19362911).
115. „WordNet Search – 3.1“ (https://wordnetweb.princeton.edu/perl/webwn?s=computer%20sci ntist).
Wordnetweb.princeton.edu. Abgerufen am 14. Mai 2012.
116. Dana H. Ballard; Christopher M. Brown (1982). Computer Vision. Prentice Hall. ISBN 0-13-
165316-4.
117. Huang, T. (19.11.1996). Vandoni, Carlo, E, Hrsg. Computer Vision: Evolution und Versprechen (PDF). 19. CERN
School of Computing. Genf: CERN. S. 21–25. doi:10.5170/CERN 1996-008.21 (https://doi.org/
10.5170%2FCERN-1996-008.21). ISBN 978-9290830955.
118. Milan Sonka; Vaclav Hlavac; Roger Boyle (2008). Bildverarbeitung, Analyse und maschinelles Sehen. Thomson. ISBN
0-495-08252-X.
119. Garson, James (27. November 2018). Zalta, Edward N. (Hrsg.). Die Stanford Encyclopedia of Philosophy (https://
plato.stanford.edu/archives/fall2018/entries/connectionism/).
Metaphysics Research Lab, Stanford University – über Stanford Encyclopedia of Philosophy.
120. „Ishtar für Belgien nach Belgrad“ (https://eurovision.tv/page/news?id=554&_t=ishtar_for_belgi um_to_belgrade).
Europäische Rundfunkunion. Abgerufen am 19. Mai 2013.
121. LeCun, Yann. „LeNet-5, Faltungs-Neuronale Netze“ (https://yann.lecun.com/exdb/lenet/).
Abgerufen am 16. November 2013.
122. Zhang, Wei (1988). „Verschiebungsinvariantes Mustererkennungs-Neuronales Netzwerk und sein optisches Netzwerk
Architektur". Tagungsband der Jahreskonferenz der Japan Society of Applied Physics.
123. Zhang, Wei (1990). „Parallel verteiltes Verarbeitungsmodell mit lokalen rauminvarianten Verbindungen und
seiner optischen Architektur“. Angewandte Optik. 29 (32): 4790–7.
Bibcode:1990ApOpt..29.4790Z (https://ui.adsabs.harvard.edu/abs/1990ApOpt..29.4790Z). doi:10.1364/
AO.29.004790 (https://doi.org/10.1364%2FAO.29.004790). PMID 20577468 ( http://pubmed.ncbi.nlm.nih.gov/
20577468).
124. Tian, Yuandong; Zhu, Yan (2015). „Besserer Computer-Go-Player mit neuronalem Netzwerk und
Langzeitvorhersage". arXiv:1511.06410v1 (https://arxiv.org/abs/1511.06410v1) [cs.LG (http s://arxiv.org/archive/
cs.LG)].
125. „Wie Facebooks KI-Forscher eine bahnbrechende Go-Engine entwickelten“ (https://technologyrev iew.com/s/544181/
how-facebooks-ai-researchers-built-a-game-changing-go-engine/) . MIT Technology Review. 4. Dezember 2015.
Abgerufen am 3. Februar 2016.
126. „Facebook AI Go Player wird mit neuronalen Netzwerken und Langzeitvorhersagen intelligenter.“
Meistere das härteste Spiel der Welt“ (https://techtimes.com/articles/128636/20160128/facebook-ai -go-player-gets-
smarter-with-neural-network-and-long-term-prediction-to-master- worlds-hard est-game.htm). Tech Times. 28. Januar
2016. Abgerufen am 24. April 2016.
127. „Facebooks künstlich intelligenter Go-Player wird immer schlauer“ (https://venturebeat.com/201 6/01/26/facebooks-
artificially-intelligent-go-player-is-getting-smarter/). VentureBeat. 27. Januar 2016. Abgerufen am 24. April
2016.
128. Solomonoff, RJThe Time Scale ofArtificial Intelligence; Reflexionen über soziale Auswirkungen, Human
Systems Management, Band 5 1985, S. 149-153
129. Moor, J., The Dartmouth College Artificial Intelligence Conference: The Next Fifty Years, AI Magazine, Bd. 27, Nr.,
4, S. 87-9, 2006 130. Kline, Ronald R.,
Cybernetics,Automata Studies and the Dartmouth Conference on Artificial Intelligence, IEEE Annals of the History of
Computing, Oktober–Dezember 2011, IEEE Computer Society 131. Haghighat, Mohammad;Abdel- Mottaleb,
Mohamed; Alhalabi,
Wadee (2016). „Diskriminierend
Korrelationsanalyse: Echtzeit-Feature-Level-Fusion für multimodale biometrische Erkennung“ (https://zenodo.org/
record/889881). IEEE Transactions on Information Forensics and Security. 11 (9): 1984–1996. doi:10.1109/
TIFS .2016.2569061 (https://doi.org/10.1109%2FTI FS.2016.2569061). S2CID 15624506 (https://
api.semanticsscholar.org/CorpusID:15624506).
132. Lenzerini, Maurizio (2002). „Datenintegration: Eine theoretische Perspektive“ (https://dis.uniroma 1.it/~lenzerin/
homepagine/talks/TutorialPODS02.pdf) (PDF). PODS 2002. S. 233–246.
133. Lane, Frederick (2006). „IDC: Die Welt hat im Jahr 2006 161 Milliarden Gigs an Daten erstellt“ (https://toptec
hnews.com/story.xhtml?story_id=01300000E3D0&full_skip=1).
134. Dhar, V. (2013). „Datenwissenschaft und Vorhersage“ (https://cacm.acm.org/magazines/2013/12/16 9933-data-
science-and-prediction/fulltext). Mitteilungen der ACM. 56 (12): 64–73. doi:10.1145/2500499 (https://doi.org/
10.1145%2F2500499). S2CID 6107147 (https://api.se manticscholar.org/CorpusID:6107147).
135. Leek, Jeff (12. Dezember 2013). „Das Schlüsselwort in ‚Data Science‘ ist nicht Daten, sondern Wissenschaft“ ( http://
web.archive.org/web/20140102194117/https://simplystatistics.org/2013/12/12/the-key Wort-in-Datenwissenschaft-
ist-keine-Daten-es-ist-Wissenschaft/). Simply Statistics. Archiviert vom Original (https://simplystatistics.org/
2013/12/12/the-key-word-in-data-science-is-not-data-it-is-scienc e/) am 2 Januar 2014. Abgerufen am 11.
November 2018.
136. Hayashi, Chikio (1. Januar 1998). „Was ist Data Science? Grundlegende Konzepte und a
Heuristisches Beispiel“ (https://springer.com/book/9784431702085). In Hayashi, Chikio; Yajima, Keiji; Bock,
Hans-Hermann; Ohsumi, Noboru; Tanaka, Yutaka; Baba, Yasumasa (Hrsg.). Data Science , Klassifikation und
verwandte Methoden. Studien zur Klassifikation, Datenanalyse und Wissensorganisation. Springer Japan. S.
40–51. doi:10.1007/978-4-431-65950-1_3 (htt ps://doi.org/ 10.1007%2F978-4-431-65950-1_3). ISBN
9784431702085.
137. Dediÿ, Nedim; Stanier, Clare (2016). Hammoudi, Slimane; Maciaszek, Leszek; Missikoff,
Michele M. Missikoff; Lager, Olivier; Cordeiro, José (Hrsg.). Eine Bewertung der Herausforderungen der
Mehrsprachigkeit in der Data Warehouse-Entwicklung (https://eprints.staffs.ac.uk/2770/).
Internationale Konferenz über Unternehmensinformationssysteme, 25.–28. April 2016, Rom, Italien (https://
eprints.staffs.ac.uk/2770/1/ICEIS_2016_Volume_1.pdf) (PDF). Vorträge der 18. Internationalen Konferenz
über Unternehmensinformationssysteme (ICEIS 2016). Bd. 1.
SciTePress. S. 196–206. doi:10.5220/0005858401960206 (https://doi.org/10.5220%2F000 5858401960206).
ISBN 978-989-758-187-8.
138. „9 Gründe, warum Data Warehouse-Projekte scheitern“ (https://blog.rjmetrics.com/2014/12/04/10-comm on-
mistakes-when-building-a-data-warehouse/). blog.rjmetrics.com. 4. Dezember 2014.
139. Huang; Grün; Loo, „Datalog and Emerging Applications“, SIGMOD 2011 (https://cs.ucdavis.
edu/~green/papers/sigmod906t-huang.pdf) (PDF), UC Davis.
140. Steele, Katie und Stefánsson, H. Orri, „Decision Theory“, The Stanford Encyclopedia of
Philosophie (Winterausgabe 2015), Edward N. Zalta (Hrsg.), URL = [1] (https://plato.stanford.ed u/archives/
win2015/entries/decision-theory)
141. Lloyd, JW, Praktische Vorteile der deklarativen Programmierung 142. Bengio,
Y.; Courville,A.; Vincent, P. (2013). „Repräsentationslernen: Ein Rückblick und neue Perspektiven“. IEEE-
Transaktionen zu Musteranalyse und maschineller Intelligenz. 35 (8): 1798–1828. arXiv:1206.5538 (https://
arxiv.org/abs/1206.5538). doi:10.1109/tpami.2013.50 (h ttps://doi.org/10.1109%2Ftpami.2013.50). PMID
23787338 (https://pubmed.ncbi.nlm.nih.gov/ 23787338). S2CID 393948 (https://api.semanticsscholar.org/
CorpusID:393948).
143. Schmidhuber, J (2015). „Deep Learning in neuronalen Netzen: Ein Überblick“. Neuronale Netze. 61:
85–117. arXiv:1404.7828 (https://arxiv.org/abs/1404.7828). doi:10.1016/
j.neunet.2014.09.003 (https://doi.org/10.1016%2Fj.neunet.2014.09.003).
PMID 25462637 (https://pubmed.ncbi.nlm.nih.gov/25462637). S2CID 11715509 (https://api.s emanticscholar.org/
CorpusID:11715509).
144. Bengio, Yoshua; LeCun, Yann; Hinton, Geoffrey (2015). "Tiefes Lernen". Natur. 521
(7553): 436–444. Bibcode:2015Natur.521..436L (https://ui.adsabs.harvard.edu/abs/2015Nat ur.521..436L).
doi:10.1038/nature14539 (https://doi.org/10.1038%2Fnature14539).
PMID 26017442 (https://pubmed.ncbi.nlm.nih.gov/26017442). S2CID 3074096 (https://api.se manticscholar.org/
CorpusID:3074096).
145. „Über uns | DeepMind“ (https://deepmind.com/about/). DeepMind.
146. „Eine Rückkehr nach Paris | DeepMind“ (https://deepmind.com/blog/a-return-to-paris/). DeepMind.

147. „Der LastAI-Durchbruch, den DeepMind gemacht hat, bevor Google ihn gekauft hat“ (https://medium.com/
th e-physics-arxiv-blog/the-last-ai-breakthrough-deepmind-made-before-google-bought-it -für-4
00m-7952031ee5e1). Die Physik arXiv Blog. 29. Januar 2014. Abgerufen am 12. Oktober 2014.
148. Graves,Alex; Wayne, Greg; Danihelka, Ivo (2014). „Neuronale Turingmaschinen“.

arXiv:1410.5401 (https://arxiv.org/abs/1410.5401) [cs.NE (https://arxiv.org/archive/cs.NE)].
149. Best of 2014: Googles Secretive DeepMind Startup enthüllt eine „Neural Turing Machine“ (http s://
technologyreview.com/view/533741/best-of-2014-googles-secretive-deepmind-startup-un veils-a- neural-
turing-machine/), MIT Technology Review
150. Graves,Alex; Wayne, Greg; Reynolds, Malcolm; Harley, Tim; Danihelka, Ivo; Grabska
Barwiÿska,Agnieszka; Colmenarejo, Sergio Gómez; Grefenstette, Edward; Ramalho, Tiago (12.
Oktober 2016). „Hybrid Computing unter Verwendung eines neuronalen Netzwerks mit
dynamischem externen Speicher“ (https://ora.ox.ac.uk/objects/uuid:dd8473bd-2d70-424d-881b-86d9c9c66b51).
Natur. 538 (7626): 471–476. Bibcode:2016Natur.538..471G (https://ui.adsabs.harvard.edu/abs/
2016Natur.538..471G ). doi:10.1038/nature20101 (https://doi.org/10.1038%2Fnature201 01). ISSN
1476-4687 (https://www.worldcat.org/issn/1476-4687). PMID 27732574 (https://pu bmed.ncbi.nlm.nih.gov/
27732574). S2CID 205251479 (https://api.semanticsscholar.org/Corp usID:205251479).
151. Kohs, Greg (29. September 2017), AlphaGo (https://imdb.com/title/tt6700846/), Ioannis

Antonoglou, Lucas Baker, Nick Bostrom, abgerufen am 9. Januar 2018
152. Silber, David; Hubert, Thomas; Schrittwieser, Julian;Antonoglou, Ioannis; Lai, Matthew;
Guez, Arthur; Lanctot, Marc; Sifre, Laurent; Kumaran, Dharshan; Graepel, Thore; Lillicrap, Timothy;
Simonyan, Karen; Hassabis, Demis (5. Dezember 2017). „Schach und Shogi durch Selbstspiel mit
einem allgemeinen Lernalgorithmus zur Verstärkung beherrschen“. arXiv:1712.01815 (htt ps://arxiv.org/
abs/1712.01815) [cs.AI (https://arxiv.org/archive/cs.AI)].
153. Sikos, Leslie F. (2017). Beschreibung Logiken im multimedialen Denken (https://springer.com/us/book/
9783319540658 ). Cham: Springer International Publishing. doi:10.1007/978-3-319-54066-5 (https://
doi.org/10.1007%2F978-3-319-54066-5). ISBN 978-3-319-54066-5.
154. Roweis, ST; Saul, LK (2000). „Nichtlineare Dimensionsreduktion durch lokal lineare
Einbettung". Wissenschaft. 290 (5500): 2323–2326. Bibcode:2000Sci...290.2323R (https://ui.ads
abs.harvard.edu/abs/2000Sci...290.2323R). CiteSeerX 10.1.1.111 .3313 (https://citeseerx.ist. psu.edu/
viewdoc/summary?doi=10.1.1.111.3313). doi:10.1126/science.290.5500.2323 ( http://doi.org/
10.1126%2Fscience .290.5500.2323). PMID 11125150 (https://pubmed.ncbi.nlm.n ih.gov/11125150).
155. Pudil, P.; Novoviÿová, J. (1998). „Neuartige Methoden zur Auswahl von Funktionsteilmengen im Hinblick
auf Problemwissen“. In Liu, Huan; Motoda, Hiroshi (Hrsg.). Merkmalsextraktion, Konstruktion
und Auswahl (https://archive.org/details/featureextractio00liuh). S. 101 ( http://archive.org/details/
featureextractio00liuh/page/n120). doi:10.1007/978-1-4615-5725-8_7 (https://doi.org/
10.1007%2F978-1-4615-5725-8_7). ISBN 978-1-4613-7622-4.
156. Demazeau, Yves und JP. Müller, Hrsg. Dezentrale KI. Bd. 2. Elsevier, 1990.
157. Hendrickx, Iris; Van den Bosch,Antal (Oktober 2005). „Hybride Algorithmen mit Instanz
Basierende Klassifizierung“ (https://books.google.com/books?id=GtcevX7n90wC&pg=PA158).
Maschinelles Lernen: ECML2005. Springer. S. 158–169. ISBN 9783540292432.
158. Ostrow, Adam (5. März 2011). „Roger Eberts inspirierende digitale Transformation“ (https://mash
able.com/2011/03/05/roger-ebert-ted-talk/). Mashable Entertainment. Abgerufen am 12.
September 2011. „Mit Hilfe seiner Frau, zweier Kollegen und dem mit Alex ausgestatteten
MacBook, mit dem er seine computergestützte Stimme erzeugt, hielt der berühmte Filmkritiker
Roger Ebert am Freitag auf der TED-Konferenz in Long Beach, Kalifornien, den Abschlussvortrag ....“
159. Lee, Jennifer (7. März 2011). „Roger Ebert testet seine Stimmbänder und seine komödiantische Darbietung“
(https://bits.blogs.nytimes.com/2011/03/07/roger-ebert-tests-his-vocal-cords-and-comedic-de livery/?src=me).
Die New York Times. Abgerufen am 12. September 2011. „Jetzt gibt es vielleicht den Ebert-Test, eine
Möglichkeit zu sehen, ob eine synthetische Stimme Humor mit dem richtigen Timing liefern kann, um ein
Publikum zum Lachen zu bringen … Er schlug den Ebert-Test als eine Möglichkeit vor, die Menschlichkeit zu
beurteilen.“ einer synthetisierten Stimme.
160. „Roger Eberts inspirierende digitale Transformation“ (https://web.archive.org/web/201103251600 35/https://tips-
tricks.co.in/2011/03/roger-eberts-inspiring-digital.html ). Technische Nachrichten. 5. März 2011. Archiviert
vom Original (https://tips-tricks.co.in/2011/03/roger-eberts-inspiring-digita l.html) am 25. März 2011. Abgerufen
am 12. September 2011. „Mittlerweile ist die Die Technologie, die es Ebert ermöglicht, zu „sprechen“, wird
weiterhin verbessert – zum Beispiel durch die Hinzufügung einer realistischeren Betonung für
Fragezeichen und Ausrufezeichen. In einem Test dazu, den Ebert den „Ebert-Test“ für computergestützte
Stimmen nannte,
161. Pasternack, Alex (18. April 2011). „Ein MacBook hat Roger Ebert vielleicht seine Stimme gegeben, aber ein
iPod hat ihm das Leben gerettet (Video)“ (https://web.archive.org/web/20110906063605/https://moth erboard.tv/
2011/4/18 /a-macbook-may-have-given-roger-ebert-his-voice-but-an-ipod-saved-h is-life-video).
Motherboard.Archiviert vom Original (https://motherboard.tv/2011/4/18/a-ma cbook-may-have-given-roger-ebert-
his-voice-but-an-ipod-saved-his- Lebensvideo) am 6. September 2011. Abgerufen am 12. September
2011. „Er nennt es den „Ebert-Test“, nach Turings KI-Standard …“
162. Jaeger, Herbert; Haas, Harald (2004). „Nutzung der Nichtlinearität: Vorhersage chaotischer Systeme und
Energieeinsparung in der drahtlosen Kommunikation“ (https://columbia.edu/cu/biology/courses/w 4070/
Reading_List_Yuste/haas_04.pdf) (PDF). Wissenschaft. 304 (5667): 78–80.
Bibcode:2004Sci...304...78J (https://ui.adsabs.harvard.edu/abs/2004Sci...304...78J). doi:10.1126/
science.1091277 (https://doi.org/10.1126%2Fscience.1091277).
PMID 15064413 (https://pubmed.ncbi.nlm.nih.gov/15064413). S2CID 2184251 (https://api.se manticscholar.org/
CorpusID:2184251).
163. Herbert Jaeger (2007) Echo State Network. (https://scholarpedia.org/article/Echo_State_Net work) Scholarpedia.
164. Serenko,Alexander; Bontis, Nick; Detlor, Brian (2007). „Endbenutzerakzeptanz von Animationen.“
Schnittstellenagenten in alltäglichen Arbeitsanwendungen“ (https://aserenko.com/papers/Serenko_Bonti
s_Detlor_end_user_adoption_agent.pdf) (PDF). Behavior and Information Technology. 26 (2): 119–132.
doi:10.1080/01449290500260538 (https:/ /doi.org/10.1080%2F014492905002 60538). S2CID 2175427 (https://
api.semanticscholar.org/CorpusID:2175427).
165. Vikhar, PA (2016). „Evolutionäre Algorithmen: Eine kritische Überprüfung und ihre Zukunftsaussichten“.
Tagungsband der Internationalen Konferenz 2016 über globale Trends in der Signalverarbeitung,
Informationsverarbeitung und Kommunikation (ICGTSPICC). Jalgaon, 2016, S. 261–265: 261–265.
doi:10.1109/ICGTSPICC.2016.7955308 (https://doi.org/10.1109%2FICGTSPICC.
2016.7955308). ISBN 978-1-5090-0467-6. S2CID 22100336 (https://api.semanticsscholar.or g/
CorpusID:22100336).
166. Russell, Stuart; Norvig, Peter (2009). „26.3: Die Ethik und Risiken der Entwicklung künstlicher Intelligenz“.
Künstliche Intelligenz: Ein moderner Ansatz. Prentice Hall. ISBN 978-0-13-604259-4 .
167. Bostrom, Nick (2002). „Existentielle Risiken“. Zeitschrift für Evolution und Technologie. 9 (1): 1–31.
168. „Ihr Spickzettel für künstliche Intelligenz“ (https://slate.com/articles/technology/future_tense/2 016/04/
killer_a_i_101_a_cheat_sheet_to_the_terminology_the_ethical_debates_the.html).
Schiefer. 1. April 2016. Abgerufen am 16. Mai 2016.
169. Jackson, Peter (1998), Introduction To Expert Systems (3. Auflage), Addison Wesley, S. 2,
ISBN 978-0-201-87686-4
170. „Konventionelle Programmierung“ (https://web.archive.org/web/20121014124656/https://pcmag.com/

encyclopedia_term/0%2C2542%2Ct%3Dconventional+programming%26i%3D40325% 2C00.asp) . PC
Magazine. Archiviert vom Original (https://pcmag.com/encyclopedia_term/
0,2542,t=conventional+programming&i=40325,00.asp) am 14. Oktober 2012. Abgerufen am 15.
September 2013.
171. Martignon, Laura; Vitouch, Oliver; Takezawa, Masanori; Forster, Malcolm. „Naiv und doch
„Enlightened: From Natural Frequencies to Fast and Frugal Decision Trees“ (https://research gate.net/
publication/27278577_Naive_and_Yet_Enlightened_From_Natural_Frequencies_t
o_Fast_and_Frugal_Decision_Trees), veröffentlicht in Thinking: Psychologische Perspektiven auf
Argumentation, Urteilsvermögen und Entscheidungsfindung (David Hardman und Laura Macchi;
Herausgeber) , Chichester: John Wiley & Sons, 2003.
172. Hodgson, Dr. JPE, „Logik erster Ordnung“ (https://people.sju.edu/~jhodgson/ugai/1order.html),
Saint Joseph's University, Philadelphia, 1995.
173. Hughes, GE, & Cresswell, MJ, Eine neue Einführung in die Modallogik (London: Routledge, 1996), S. 161
(https://books.google.com/books?id=_CB5wiBeaA4C&pg=PA161).
174. Feigenbaum, Edward (1988). Der Aufstieg des Expertenunternehmens (https://archive.org/details/ris
eofexpertco00feig). Times-Bücher. P. 318 (https://archive.org/details/riseofexpertco00feig/pag e/318). ISBN
978-0-8129-1731-4.
175. Hayes, Patrick (1981). „Das Rahmenproblem und verwandte Probleme in der künstlichen Intelligenz“ (https://
web.archive.org/web/20131203002046/https://aitopics.org/sites/default/files/classic/ Webber-Nilsson-
Readings/Rdgs- NW-Hayes-FrameProblem.pdf) (PDF). Lesungen in Künstlicher Intelligenz.
Universität Edinburgh: 223–230. doi:10.1016/B978-0-934613-03-3.50020-9 (https://doi.org/
10.1016%2FB978-0-934613-03-3.50020-9).
ISBN 9780934613033. S2CID 141711662 (https://api.semanticsscholar.org/CorpusID:14171 1662).Archiviert
vom Original (https://aitopics.org/sites/default/files/classic/Webber-Nilsso n-Readings/Rdgs-NW-Hayes-
FrameProblem.pdf) (PDF) am 3. Dezember 2013. Abgerufen 9. März 2019.
176. Sardar, Z (2010). „Der Namensvetter: Zukünfte; Zukunftsstudien; Zukunftsforschung; futuristisch; Voraussicht
– Was steckt in einem Namen?“ Futures. 42 (3): 177–184. doi:10.1016/j.futures.2009.11.001 (https://doi.org/
10.1016%2Fj.futures.2009.11.001 ).
177. Pedrycz, Witold (1993). Fuzzy-Steuerung und Fuzzy-Systeme (2. Aufl.). Forschungsstudienpresse
GmbH.
178. Hájek, Petr (1998). Metamathematik der Fuzzy-Logik (4. Aufl.). Springer Wissenschaft & Wirtschaft
Medien.
179. D. Dubois und H. Prade (1988) Fuzzy Sets and Systems. Academic Press, New York.
180. Liang, Lily R.; Lu, Shiyong; Wang, Xuena; Lu, Yi; Mandal, Vinay; Patacsil, Dorrelyn; Kumar, Deepak (2006).
„FM-Test: Ein auf der Fuzzy-Set-Theorie basierender Ansatz zur Analyse differenzieller
Genexpressionsdaten“ (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1780132). BMC
Bioinformatik. 7 (Ergänzung 4): S7. doi:10.1186/1471-2105-7-S4-S7 (https://doi.org/10.1186%2F 1471-2105-7-
S4-S7). PMC 1780132 (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC178013 2). PMID 17217525 (https://
pubmed.ncbi.nlm.nih.gov/17217525).
181. Myerson, Roger B. (1991). Spieltheorie: Konfliktanalyse, Harvard University Press, p. 1 (https://
books.google.com/books?id=E8WQFRCsNr0C&pg=PA1). Links zur Kapitelvorschau, S. vii–xi (https://
books.google.com/books?id=E8WQFRCsNr0C&pg=PR7).
182. Pell, Barney (1992). H. van den Herik; L. Allis (Hrsg.). „Metagame: eine neue Herausforderung für Spiele und
Lernen“ (https://svn.sable.mcgill.ca/sable/courses/COMP763/oldpapers/pell-92-metag ame.pdf) [Heuristische
Programmierung in künstlicher Intelligenz 3–the Dritte Computerolympiade]
(PDF). Ellis-Horwood.
183. Pell, Barney (1996). „Ein strategischer Metagame-Spieler für allgemeine schachähnliche Spiele“.
Computergestützte Intelligenz. 12 (1): 177–198. doi:10.1111/j.1467-8640.1996.tb00258.x ( http://doi.org/
10.1111%2Fj.1467-8640.1996.tb00258.x). ISSN 1467-8640 (https://www.worldca t.org/issn/1467-8640).
184. Genesereth, Michael; Liebe Grüße, Nathaniel; Pell, Barney (15. Juni 2005). „Allgemeines Spiel:
Überblick über den AAAI-Wettbewerb“. AI-Magazin. 26 (2): 62. doi:10.1609/
aimag.v26i2.1813 (https://doi.org/10.1609%2Faimag.v26i2.1813). ISSN 2371-9621 (https://www.worldcat.org/
issn/2371-9621).
185. Mitchell 1996, p. 2.
186. Trudeau, Richard J. (1993). Einführung in die Graphentheorie (https://store.doverpublications.com/
0486678709.html ) (Korrigierte, erweiterte Neuveröffentlichung. Hrsg.). New York: Dover Pub. P. 19.
ISBN 978-0-486-67870-2. Abgerufen am 8. August 2012. „Ein Graph ist ein Objekt, das aus zwei Mengen besteht, die als
Scheitelpunktmenge und Kantenmenge bezeichnet werden.“
187. Yoon, Byoung-Ha; Kim, Seon-Kyu; Kim, Seon-Young (März 2017). „Verwendung von Graph
Datenbank für die Integration heterogener biologischer Daten“ (https://www.ncbi.nlm.nih.go v/pmc/articles/
PMC5389944). Genomics & Informatics. 15 (1): 19–27. doi:10.5808/GI
.2017.15.1.19 (https://doi.org/10.5808%2FGI.2017.15.1.19). ISSN 1598-866X (https://www.worldcat.org/issn/
1598-866X). PMC 5389944 (https:/ /www.ncbi.nlm.nih.gov/pm c/articles/PMC5389944). PMID 28416946
(https://pubmed.ncbi.nlm.nih.gov/28416946).
188. Bourbakis, Nikolaos G. (1998). Künstliche Intelligenz und Automatisierung (https://books.google.com/books?
id=mV3wxKLHlnwC&q=%22gdb%22+%22graph+database%22&pg=PA381 ).
Weltwissenschaftlich. P. 381. ISBN 9789810226374. Abgerufen am 20. April 2018.
189. Pearl, Judäa (1984). Heuristik: Intelligente Suchstrategien zur Lösung von Computerproblemen ( http://
archive.org/details/intelligentsearc00jude). Vereinigte Staaten: Addison-Wesley Pub. Co., Inc., Reading,
MA. P. 3 (https://archive.org/details/intelligentsearc00jude/page/n21).
Bibcode:1985hiss.book.....P (https://ui.adsabs.harvard.edu/abs/1985hiss.book.....P).
OSTI 5127296 (https://www.osti.gov/biblio/5127296).
190. EK Burke, E. Hart, G. Kendall, J. Newall, P. Ross und S. Schulenburg, Hyperheuristik: Eine neue Richtung
in der modernen Suchtechnologie, Handbook of Metaheuristics (F. Glover und G. Kochenberger, Hrsg.),
Kluwer, 2003, S. 457–474 .
191. P. Ross, Hyperheuristik, Suchmethoden: Einführungs-Tutorials in Optimierungs- und
Entscheidungsunterstützungstechniken (EK Burke und G. Kendall, Hrsg.), Springer, 2005, S. 529–556.
192. Ozcan, E.; Bilgin, B.; Korkmaz, EE (2008). „Eine umfassende Analyse von Hyper
Heuristik". Intelligente Datenanalyse. 12 (1): 3–23. doi:10.3233/ida-2008-12102 (https://doi.or g/
10.3233%2Fida-2008-12102).
193. „IEEE CIS Scope“ (https://web.archive.org/web/20160604143046/https://cis.ieee.org/scope. html).Archiviert
vom Original (https://cis.ieee.org/scope.html) am 4. Juni 2016. Abgerufen am 18. März 2019.
194. „Steuerung von Bearbeitungsprozessen – Purdue ME Manufacturing Laboratories“ (https://engineeri

ng.purdue.edu/ManLab/control/intell_control.htm). engineering.purdue.edu.
195. Hoy, Matthew B. (2018). „Alexa, Siri, Cortana und mehr: Eine Einführung in Sprachassistenten“ .
Vierteljährlich medizinische Referenzdienste. 37 (1): 81–88.
doi:10.1080/02763869.2018.1404391 (https://doi.org/10.1080%2F02763869.2018.140439 1). PMID
29327988 (https://pubmed.ncbi.nlm.nih.gov/29327988). S2CID 30809087 (https://a pi.semanticsscholar.org/
CorpusID:30809087).
196. Oudeyer, Pierre-Yves; Kaplan, Frederic (2008). „Wie können wir intrinsische Motivation definieren?“
Proz. der 8. Konf. zur epigenetischen Robotik. Bd. 5. S. 29–31.
197. Chevallier, Arnaud (2016). „Strategisches Denken bei der Lösung komplexer Probleme“. Oxford-
Stipendium online. Oxford; New York: Oxford University Press. doi:10.1093/
acprof:oso/9780190463908.001.0001 (https://doi.org/10.1093%2Facprof%3Aos o%2F9780190463908.001.0001).
ISBN 9780190463908. OCLC 940455195 (https://www.w orldcat.org/oclc/940455195). S2CID 157255130
(https://api.semanticsscholar.org/CorpusID:1 57255130).
198. „Strategy Survival Guide: Issue Trees“ (https://web.archive.org/web/20120217163843/https://i

nteractive.cabinetoffice.gov.uk/strategy/survivalguide/skills/s_issue.htm). London: Regierung
des Vereinigten Königreichs. Juli 2004. Archiviert vom Original (https://interactive. Cabinetoffice.gov.uk/
strategy/survivalguide/skills/s_issue.htm) am 17. Februar 2012.
Abgerufen am 6. Oktober 2018. Auch im PDF-Format verfügbar (http://webarchive.nationalarchives.gov.uk/
20060213205515/https://strategy.gov.uk/downloads/survivalguide/downloads/ssg_v 2.1.pdf).
199. Paskin, Mark. „Ein kurzer Kurs über grafische Modelle“ (https://ai.stanford.edu/~paskin/gm-sho
rt-course/lec3.pdf) (PDF). Stanford.
200. Woods, WA; Schmolze, JG (1992). „Die KL-ONE-Familie“. Computer und Mathematik mit Anwendungen. 23
(2–5): 133. doi:10.1016/0898-1221(92)90139-9 (https://doi.org/10.1016%2F 0898-1221%2892%2990139-9).
201. Brachman, RJ; Schmolze, JG (1985). „Ein Überblick über das KL-ONE-Wissen
Repräsentationssystem“ (https://dli.iiit.ac.in/vdata/IJCAI/IJCAI-83-VOL-1/PDF/072.pdf)
(PDF). Kognitionswissenschaft. 9 (2): 171. doi:10.1207/s15516709cog0902_1 (https://doi.org/10.1
207%2Fs15516709cog0902_1).
202. Duce, DA; Ringland, GA (1988). Ansätze zur Wissensrepräsentation, An
Einführung (https://archive.org/details/approachestoknow0000unse). Research Studies Press, Ltd.
ISBN 978-0-86380-064-1.
203. Schank, Roger; RobertAbelson (1977). Skripte, Pläne, Ziele und Verständnis: Eine Untersuchung der
menschlichen Wissensstrukturen. Lawrence Erlbaum Associates, Inc.
204. „Wissensrepräsentation in neuronalen Netzen – deepMinds“ (https://deepminds.science/k nowledge-
representation-neural-networks/). deepMinds. 16. August 2018. Abgerufen am 16. August 2018.
205. Reilly, Edwin D. (2003). Meilensteine der Informatik und Informationstechnologie (https://archive.org/details/
milestonesincomp0000reil ). Greenwood Publishing Group. S. 156 (http s://archive.org/details/
milestonesincomp0000reil/page/156)–157. ISBN 978-1-57356-521-9.
206. Hochreiter, Sepp; Schmidhuber, Jürgen (1997). „Langes Kurzzeitgedächtnis“. Neuronal
Berechnung. 9 (8): 1735–1780. doi:10.1162/neco.1997.9.8.1735 (https://doi.org/10.1162%2
Fneco.1997.9.8.1735). PMID 9377276 (https://pubmed.ncbi.nlm.nih.gov/9377276).
207. Siegelmann, Hava T.; Sontag, Eduardo D. (1992). Über die Rechenleistung neuronaler Systeme
Netze. ACM. Bd. COLT '92. S. 440–449. doi:10.1145/130385.130432 (https://doi.org/10.114
5%2F130385.130432). ISBN 978-0897914970. S2CID 207165680 (https://api.semanticscholar.org/
CorpusID:207165680 ).
208. Gagniuc, Paul A. (2017). Markov-Ketten: Von der Theorie zur Umsetzung und
Experimentieren. USA, New Jersey: John Wiley & Sons. S. 1–235. ISBN 978-1-119-38755-8.
209. „Markov-Kette | Definition der Markov-Kette in US-Englisch durch Oxford Dictionaries“ (https://we b.archive.org/
web/20171215001435/https://en.oxforddictionaries.com/definition/us/markov_c hain) . Oxford-Wörterbücher
| Englisch.Archiviert vom Original (https://en.oxforddictionaries.com/definition/us/markov_chain ) am 15.
Dezember 2017. Abgerufen am 14. Dezember 2017.
210. Definition bei Brilliant.org „Brilliant Math and Science Wiki“ (https://brilliant.org/wiki/markov-ch
ains/). Abgerufen am 12. Mai 2019
211. „The Nature of Mathematical Programming“ (https://glossary.computing.society.informs.org/in dex.php?page=nature.html)

Archiviert (https://web.archive.org/web/20140305080324/ https://glossary.computing.society.informs.org/index.php?
page=nature.html ) 05.03.2014 bei der Wayback Machine, Glossar zur mathematischen Programmierung,
INFORMS Computing Society.
212. Wang, Wenwu (1. Juli 2010). Machine Audition: Prinzipien, Algorithmen und Systeme (https://i gi-global.com/book/
machine-audition-principles-algorithms-systems/40288). IGI Global.
ISBN 9781615209194 – über igi-global.com.
213. „Machine Audition: Prinzipien, Algorithmen und Systeme“ (https://epubs.surrey.ac.uk/596085/ 1/
Wang_Preface_MA_2010.pdf) (PDF).
214. Malcolm Tatum (3. Oktober 2012). „Was ist maschinelle Wahrnehmung?“
215. Alexander Serov (29. Januar 2013). „Subjektive Realität und starke künstliche Intelligenz“
(PDF).
216. „Labor für maschinelle Wahrnehmung und kognitive Robotik“ (https://ccs.fau.edu/~hahn/mpcr/). ccs.fau.edu.
Abgerufen am 18. Juni 2016.
217. „Was ist Mechatronik?“ (https://web.archive.org/web/20111006100431/https://mme.uwaterloo.ca/undergrad/mechatronics/

prospective/prospective.html ). Informationen für Studieninteressierte. University of Waterloo. Archiviert vom
Original (https://mme.uwaterlo o.ca/undergrad/mechatronics/prospective/prospective.html) am 6. Oktober 2011.
Abgerufen am 30. Mai 2011.
218. „Mechatronik (Bc., Ing., PhD.)“ (https://web.archive.org/web/20160815193349/https://mech atronics.tul.cz/ ). Archiviert

vom Original (https: //mechatronics.tul.cz) am 15. August 2016.
219. Franke; Siezen, Teusink (2005). „Rekonstruktion des Stoffwechselnetzwerks eines Bakteriums aus seinem Genom“.
Trends in der Mikrobiologie. 13 (11): 550–558. doi:10.1016/j.tim.2005.09.001 (http://doi.org/
10.1016%2Fj.tim.2005.09.001 ). PMID 16169729 (https://pubmed.ncbi.nlm.nih.go v/16169729).
220. Balamurugan, R.; Natarajan, AM; Premalatha, K. (2015). „Stellar-Mass Black Hole Optimization for Biclustering
Microarray Genexpressionsdaten“. Angewandte künstliche Intelligenz. 29 (4): 353–381.
doi:10.1080/08839514.2015.1016391 (https://doi.org/10.108 0%2F08839514.2015.1016391). S2CID 44624424
(https://api.semanticscholar.org/CorpusI D:44624424).
221. Bianchi, Leonora; Dorigo, Marco; Maria Gambardella, Luca; Gutjahr, Walter J. (2009). "A
Umfrage zur Metaheuristik für die stochastische kombinatorische Optimierung“ (https://doc.rero.ch/recor d/319945/files/
11047_2008_Article_9098.pdf) (PDF). Natural Computing. 8 (2): 239–287. doi:10.1007/ s11047-008-9098-4 (https://
doi.org/10.1007%2Fs11047-008-9098-4).
222. Herbert B. Enderton, 2001, A Mathematical Introduction to Logic, Zweite Auflage
Enderton:110, HarcourtAcademic Press, Burlington MA, ISBN 978-0-12-238452-3.
223. „Naive Semantics to Support Automated Database Design (https:// portal.acm.org/ citation.cfm?id=628188 )“,
IEEE Transactions on Knowledge and Data Engineering, Band 14, Ausgabe 1 (Januar 2002) von VC Storey, RC
Goldstein und H. Ullrich
224. Verwenden der frühen Bindung und der späten Bindung in der Automatisierung (https://support.microsoft.com/kb/24511
5), Microsoft, 11. Mai 2007, abgerufen am 11. Mai 2009
225. Genau genommen ein URIRef 226.
https://w3.org/TR/PR-rdf-syntax/ „Modell- und Syntaxspezifikation des Resource Description Framework (RDF)“
227. Miller, Lance A. „Natürliche Sprachprogrammierung: Stile, Strategien und Kontraste.“ IBM Systems Journal 20.2
(1981): 184–215.
228. „Deep Minds: Ein Interview mit Alex Graves und Koray Kavukcuoglu von Google“ (https://linkedi n.com/pulse/deep-
minds-interview-googles-alex-graves-koray-sophie-curtis). Abgerufen am 17. Mai 2016.
229. Graves,Alex; Wayne, Greg; Danihelka, Ivo (2014). „Neuronale Turingmaschinen“.

arXiv:1410.5401 (https://arxiv.org/abs/1410.5401) [cs.NE (https://arxiv.org/archive/cs.NE)].
230. Krucoff, Max O.; Rahimpour, Shervin; Slutzky, Marc W.; Edgerton, V. Reggie; Turner, Dennis A. (1. Januar 2016).
„Verbesserung der Erholung des Nervensystems durch Neurobiologie, Training neuronaler Schnittstellen und
Neurorehabilitation“ (https://www.ncbi.nlm.nih.gov/pmc/articles/PMC 5186786). Grenzen der Neurowissenschaften.
10: 584. doi:10.3389/fnins.2016.00584 (https://doi.org/10.3389%2Ffnins.2016.00584 ). PMC 5186786 (https://
www.ncbi.nlm.nih.gov/pmc/articles/P MC5186786). PMID 28082858 (https://pubmed.ncbi.nlm.nih.gov/28082858).
231. Mead, Carver (1990). „Neuromorphe elektronische Systeme“ (https://authors.library.caltech.edu/53090/1/00058356.pdf )

(PDF). Verfahren des IEEE. 78 (10): 1629–1636.
CiteSeerX 10.1.1.161.9762 (https://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.161. 9762).
doi:10.1109/5.58356 (https://doi.org/10.1109%2F5.58356). S2CID 1169506 (https://a pi.semanticsscholar.org/
CorpusID:1169506).
232. Maan, AK; Jayadevi, DA; James, AP (1. Januar 2016). „Eine Übersicht über Memristive
Schwellenwertlogikschaltungen". IEEE-Transaktionen auf neuronalen Netzen und Lernsystemen.
PP (99): 1734–1746. arXiv:1604.07121 (https://arxiv.org/abs/1604.07121). doi:10.1109/
TNNLS.2016.2547842 (https://doi.org/10.1109%2FTNNLS.2016.2547842).
ISSN 2162-237X (https://www.worldcat.org/issn/2162-237X). PMID 27164608 (https://pubme d.ncbi.nlm.nih.gov/
27164608). S2CID 1798273 (https://api.semanticsscholar.org/CorpusID:17 98273).
233. „Ein Überblick über spintronische Architekturen für Processing-in-Memory und neuronale Netze (http
s://academia.edu/37832670/A_Survey_of_Spintronic_Architectures_for_Processing-in-Memory_and_Neural_Networks)“,
JSA, 2018 234. Zhou, You; Ramanathan, S. (1.
August 2015). „Mott Memory and Neuromorphic Devices“ (htt ps:/ /zenodo.org/record/895565). Proceedings of the IEEE.
103 (8): 1289–1310. doi:10.1109/JPROC.2015.2431914 (https://doi.org/
10.1109%2FJPROC.2015.2431914).
ISSN 0018-9219 (https://www.worldcat.org/issn/0018-9219). S2CID 11347598 (https://api.se manticscholar.org/
CorpusID:11347598).
235. Monroe, D. (2014). „Neuromorphes Computing bereitet sich auf die (wirklich) große Zeit vor“.
Mitteilungen der ACM. 57 (6): 13–15. doi:10.1145/2601069 (https://doi.org/10.1145% 2F2601069). S2CID 20051102
236. Zhao, WS; Agnus, G.; Derycke, V.; Filoramo,A.; Bourgoin, J.-P.; Gamrat, C. (2010).
„Auf Nanoröhrengeräten basierende Crossbar-Architektur: Auf dem Weg zum neuromorphen Computing“ (https://w
eb.archive.org/web/20210410124706/https://zenodo.org/record/3428659). Nanotechnologie.
21 (17): 175202. Bibcode:2010Nanot..21q5202Z (https://ui.adsabs.harvard.edu/abs/2010Na not..21q5202Z).
doi:10.1088/0957-4484/21/17/175202 (https://doi.org/10.1088%2F0957-448 4%2F21%2F17%2F175202). PMID
20368686 (https://pubmed.ncbi.nlm.nih.gov/20368686).
S2CID 16253700 (https://api.semanticscholar.org/CorpusID:16253700). Archiviert vom Original (https://zenodo.org/
record/3428659) am 10. April 2021. Abgerufen am 2. Dezember 2019 .
237. Das Human Brain Project SP 9: Neuromorphic Computing Platform (https://www.youtube.com/watch?v=6RoiZ90mGfw )
auf YouTube 238. Copeland, Jack (Mai 2000).
„Was ist künstliche Intelligenz?“ (https://alanturing.net/turing_arc hive/pages/reference%20articles/what_is_AI/
What%20is%20AI11.html). AlanTuring.net.
Abgerufen am 7. November 2015.
239. Kleinberg, Jon; Tardos, Eva (2006). Algorithm Design (https://archive.org/details/algorithmde sign0000klei) (2. Aufl.).
Addison-Wesley. P. 464 (https://archive.org/details/algorithmdesign0 000klei/page/464). ISBN 0-321-37291-3.
240. Cobham, Alan (1965). „Die intrinsische Rechenschwierigkeit von Funktionen“. Proz. Logik,
Methodik und Wissenschaftstheorie II. Nordholland.
241. „Was ist Occams Rasiermesser?“ (https://math.ucr.edu/home/baez/physics/General/occam.html).
math.ucr.edu. Abgerufen am 1. Juni 2019.
242. „OpenAI wechselt von gemeinnützig zu ‚Capped-Profit‘, um Kapital anzuziehen.“ TechCrunch. Abgerufen
10.05.2019.
243. „OpenCog: Open-Source Künstliche Allgemeine Intelligenz für virtuelle Welten“ (https://web.archiv e.org/web/
20090306053354/https://cybertechnews.org/?p=915). CyberTech-Nachrichten. 6. März 2009. Archiviert vom
Original (https://cybertechnews.org/?p=915) am 6. März 2009.
Abgerufen am 1. Oktober 2016.
244. St. Laurent, Andrew M. (2008). Grundlegendes zu Open Source und der Lizenzierung freier Software (ht tps://
books.google.com/books?id=04jG7TTLujoC&pg=PA4). O'Reilly Media. P. 4.
ISBN 9780596553951.
245. Levine, Sheen S.; Prietula, Michael J. (30. Dezember 2013). „Offene Zusammenarbeit für Innovation:
Prinzipien und Leistung“. Organisationswissenschaft. 25 (5): 1414–1433. arXiv:1406.7541 (https://
arxiv.org/abs/1406.7541). doi:10.1287/orsc.2013.0872 (https://doi.or g/10.1287%2Forsc.2013.0872). ISSN
246. Bishop, Christopher M. (2006). Mustererkennung und maschinelles Lernen (PDF). Springer. P. vii. Die
Mustererkennung hat ihren Ursprung im Ingenieurwesen, während maschinelles Lernen aus der Informatik
hervorgegangen ist. Diese Aktivitäten können jedoch als zwei Facetten desselben Bereichs betrachtet
werden, und zusammen haben sie in den letzten zehn Jahren eine erhebliche Entwicklung erfahren.
247. Hughes, GE, & Cresswell, MJ, A New Introduction to Modal Logic (https:// books.google.com/ books?
id=Dsn1xWNB4MEC&q=%22first-order+logic%22 ) (London: Routledge, 1996), S. 161 (https://
books.google.com/books?id=_CB5wiBeaA4C&pg=PA161).
248. Nyce, Charles (2007), Predictive Analytics White Paper (https://the-digital-insurer.com/wp-content/uploads/
2013/12/78-Predictive-Modeling-White-Paper.pdf ) ( PDF),American Institute for Chartered Property Casualty
Underwriters/Insurance Institute ofAmerica, S. 1 249. Eckerson, Wayne (10. Mai 2007), Den Wert
Ihres Data Warehousing steigern
Investition (https://tdwi.org/articles/2007/05/10/predictive-analytics.aspx?sc_lang=en), The Data Warehouse
Institute
250. Karl R. Popper, The Myth of Framework, London (Routledge) 1994, Kap. 8.
251. Karl R. Popper, The Poverty of Historicism, London (Routledge) 1960, Kap. iv, Sekte. 31.
252. „Probabilistische Programmierung erledigt in 50 Codezeilen das, was früher Tausende erforderte“ (https://ph
ys.org/news/2015-04-probabilistic-lines-code-thousands.html). phys.org. 13. April 2015.
253. „Probabilistische Programmierung“ (https://web.archive.org/web/20160110035042/https://probabili stic-
programming.org/wiki/Home). probabilistic-programming.org.Archiviert vom Original (https://probabilistic-
programming.org/wiki/Home) am 10. Januar 2016. Abgerufen am 31. Juli 2019.
254. Pfeffer, Avrom (2014), Practical Probabilistic Programming, Manning Publications. S.28.
ISBN 978-1 6172-9233-0
255. Clocksin, William F.; Mellish, Christopher S. (2003). Programmieren in Prolog. Berlin; Neu
York: Springer-Verlag. ISBN 978-3-540-00678-7.
256. Bratko, Ivan (2012). Prolog-Programmierung für künstliche Intelligenz (4. Aufl.). Harlow, England;
New York: Addison Wesley. ISBN 978-0-321-41746-6.
257. Covington, Michael A. (1994). Verarbeitung natürlicher Sprache für Prolog-Programmierer.
Englewood Cliffs, NJ: Prentice Hall. ISBN 978-0-13-629213-5.
258. Lloyd, JW (1984). Grundlagen der Logikprogrammierung. Berlin: Springer-Verlag. ISBN 978-3-
540-13299-8.
259. Kuhlman, Dave. „Ein Python-Buch: Python-Anfänger, fortgeschrittene Python-Übungen und Python-
Übungen“. Abschnitt 1.1. Archiviert vom Original (PDF) am 23. Juni 2012.
260. Reiter, Raymond (2001). Wissen in Aktion: Logische Grundlagen für die Spezifizierung und
Implementierung dynamischer Systeme (https://archive.org/details/knowledgeactionl00reit_022).
Cambridge, Massachusetts: Die MIT Press. S. 20 (https://archive.org/details/knowledgeacti onl00reit_022/
page/n40)–22. ISBN 9780262527002.
261. Thielscher, Michael (September 2001). „Das Qualifikationsproblem: Eine Lösung für das Problem anomaler
Modelle“. Künstliche Intelligenz. 131 (1–2): 1–37. doi:10.1016/S0004-3702 (01)00131-X (https://
doi.org/10.1016%2FS0004-3702%2801%2900131-X).
262. Grummelnd, Emily; Horowitz, Mark, Hrsg. (2019). Quantencomputing: Fortschritt und
Perspektiven (2018). Washington, D.C.: National Academies Press. P. I-5. doi:10.17226/25196 (https://
doi.org/10.17226%2F25196). ISBN 978-0-309-47969-1. OCLC 1081001288 (https://www.worldcat.org/oclc/
1081001288 ). S2CID 125635007 (https://api.semanticsscholar.org/CorpusID:125635007 ).
263. R-Sprache und Umwelt Hornik, Kurt (4. Oktober 2017). „R-FAQ“ (https://cran.r-project.or g/doc/FAQ/R-
FAQ.html#What-is-R_003f). Das umfassende R-Archivnetzwerk. 2.1 Was ist R?. Abgerufen am 6. August
2018. R Foundation Hornik, Kurt (4. Oktober 2017). „R-FAQ“ (http://cran.r-project.org/doc/FAQ/R-
FAQ.html#What-is-the-R-Foundation_003f ). Das umfassende R-Archivnetzwerk. 2.13 Was ist
die R Foundation?. Abgerufen am 6. August 2018. Das R Core Team bittet Autoren, die R in ihrer
Datenanalyse verwenden, die Software mit folgendem Zitat zu zitieren: R Core Team (2016). R:Eine
Sprache und Umgebung für statistische Berechnungen. R Foundation for Statistical Computing, Wien,
Österreich. URL https://R-project.org/. 264. weit verbreitet Fox, John & Andersen, Robert
(Januar 2005). „Verwendung der R-Statistik
Computerumgebung zum Unterrichten von Sozialstatistikkursen“ (https://socialsciences.mcmaste r.ca/jfox/
Teaching-with-R.pdf) (PDF). Institut für Soziologie, McMaster University.
Abgerufen am 6. August 2018. Vance, Ashlee (6. Januar 2009). „Datenanalysten fasziniert von R's
Power“ (https://nytimes.com/2009/01/07/technology/business-computing/07program.html).
Die New York Times. Abgerufen am 6. August 2018. „R ist auch der Name einer beliebten
Programmiersprache, die von einer wachsenden Zahl von Datenanalysten in Unternehmen und Hochschulen
verwendet wird. Es wird zu ihrer Verkehrssprache …“
265. Vance, Ashlee (6. Januar 2009). „Datenanalysten fasziniert von R's Power“ (https://nytimes.com/2009/01/07/
technology/business-computing/07program.html ). Die New York Times.
Abgerufen am 6. August 2018. „R ist auch der Name einer beliebten Programmiersprache, die von einer
wachsenden Zahl von Datenanalysten in Unternehmen und Hochschulen verwendet wird. Es wird zu
ihrer Verkehrssprache …“
266. Broomhead, DS; Lowe, David (1988). Radiale Basisfunktionen, multivariable funktionale Interpolation
und adaptive Netzwerke (https://apps.dtic.mil/sti/pdfs/ADA196234.pdf) (PDF)
(Technischer Bericht). RSRE. 4148. Archiviert (https://web.archive.org/web/20130409223044/htt ps://dtic.mil/
cgi-bin/GetTRDoc?AD=ADA196234) vom Original am 9. April 2013.
267. Broomhead, DS; Lowe, David (1988). „Multivariable funktionale Interpolation und adaptive Netzwerke“ (https://
sci2s.ugr.es/keel/pdf/algorithm/articulo/1988-Broomhead-CS.pdf) (PDF).
Komplexe Systeme. 2: 321–355.
268. Schwenker, Friedhelm; Kestler, Hans A.; Palm, Günther (2001). „Drei Lernphasen für Radial-Basis-Funktions-
Netzwerke“. Neuronale Netze. 14 (4–5): 439–458. doi:10.1016/s0893-6080 (01)00027-2 (https://doi.org/
10.1016%2Fs0893-6080%2801%2900027-2).
PMID 11411631 (https://pubmed.ncbi.nlm.nih.gov/11411631).
269. Ho, Tin Kam (1995). Zufällige Entscheidungswälder (PDF). Tagungsband der 3. Internationalen Konferenz
zu Dokumentenanalyse und -erkennung, Montreal, QC, 14.–16. August 1995. S.
278–282. Archiviert vom Original (PDF) am 17. April 2016. Abgerufen am 5. Juni 2016.
270. Ho, TK (1998). „Die zufällige Unterraummethode zur Konstruktion von Entscheidungswäldern“ (https://r
epositorio.unal.edu.co/handle/unal/81834). IEEE-Transaktionen zu Musteranalyse und maschineller Intelligenz.
20 (8): 832–844. doi:10.1109/34.709601 (https://doi.org/10.1109%2F3 4.709601). S2CID 206420153 (https://
api.semanticsscholar.org/CorpusID:206420153).
271. Hastie, Trevor; Tibshirani, Robert; Friedman, Jerome (2008). Die Elemente der Statistik
Lernen (2. Aufl.). Springer. ISBN 0-387-95284-5.
272. Graves,A.; Liwicki, M.; Fernandez, S.; Bertolami, R.; Bunke, H.; Schmidhuber, J. (2009). „Ein neuartiges
verbindungsorientiertes System zur verbesserten uneingeschränkten Handschrifterkennung“ (https://i dsia.ch/~juergen/
tpami_2008.pdf) (PDF). IEEE-Transaktionen zu Musteranalyse und maschineller Intelligenz. 31 (5): 855–868.
CiteSeerX 10.1.1.139.4502 (https://citeseerx.ist.psu.e du/viewdoc/summary?doi=10.1.1.139.4502). doi:10.1109/
tpami.2008.137 (https://doi.org/10.
1109%2Ftpami.2008.137). PMID 19299860 (https://pubmed.ncbi.nlm.nih.gov/19299860).
273. Sak, Hasim; Senior,Andrew; Beaufays, Francoise (2014). „Langes Kurzzeitgedächtnis
wiederkehrende neuronale Netzwerkarchitekturen für groß angelegte akustische Modellierung“ (https://web.archiv
e.org/web/20180424203806/https://static.googleusercontent.com/media/research.google.co m/en//pubs/ archive/
43905.pdf) (PDF).Archiviert vom Original (https://static.googleusercon tent.com/media/research.google.com/en//pubs/
archive/43905.pdf) (PDF) am 24 April 2018.
Abgerufen am 6. August 2019.
274. Li, Xiangang; Wu, Xihong (15. Oktober 2014). „Aufbau von auf dem Langzeit-Kurzzeitgedächtnis basierenden tiefen
rekurrenten neuronalen Netzen für die Spracherkennung mit großem Wortschatz“. arXiv:1410.4281
(https://arxiv.org/abs/1410.4281) [cs.CL (https://arxiv.org/archive/cs.CL)].
275. Kaelbling, Leslie P.; Littman, Michael L.; Moore, Andrew W. (1996). "Verstärkung
Lernen: Eine Umfrage“ (http://webarchive.loc.gov/all/20011120234539/https://cs.washington.ed u/research/jair/
abstracts/kaelbling96a.html). Journal ofArtificial Intelligence Research. 4: 237 –285. arXiv:cs/9605103 (https://
arxiv.org/abs/cs/9605103). doi:10.1613/jair.301 (https://d oi.org/10.1613%2Fjair.301). S2CID 1708582 (https://
api.semanticscholar.org/CorpusID:1708 582).Archiviert vom Original (https://cs.washington.edu/research/jair/abstracts/
kaelbling9 6a.html) am 20. November 2001. Abgerufen am 5. Juli 2022.
276. Schrauwen, Benjamin, David Verstraeten, und Jan Van Campenhout. „Ein Überblick über Reservoir Computing:
Theorie, Anwendungen und Implementierungen.“ Vorträge des Europäischen Symposiums für künstliche
neuronale Netze ESANN 2007, S. 471-482.
277. Messe, Wolfgang; Nachtschläger, T.; Markram, H. (2002). „Echtzeitrechnen ohne stabile Zustände: Ein neuer
Rahmen für neuronale Berechnungen basierend auf Störungen“. Neuronale Berechnung. 14 (11): 2531–2560.
doi:10.1162/089976602760407955 (https://doi.org/10.11 62%2F089976602760407955). PMID 12433288 (https://
pubmed.ncbi.nlm.nih.gov/1243328 8). S2CID 1045112 (https://api.semanticsscholar.org/CorpusID:1045112).
278. Jaeger, Herbert, „Der Echo-State-Ansatz zur Analyse und zum Training wiederkehrender neuronaler Systeme
Netzwerke.“ Fachbericht 154 (2001), Deutsches Forschungszentrum für Informationstechnik.
279. Jaeger, Herbert (2007). „Echo State Network“ (https://doi.org/10.4249%2Fscholarpedia.233

0). Scholarpedia. 2 (9): 2330. Bibcode:2007SchpJ...2.2330J (https://ui.adsabs.harvard.edu/a bs/2007SchpJ...2.2330J).
doi:10.4249/scholarpedia.2330 (https://doi.org/10.4249%2Fschola rpedia.2330).
280. „XML und Semantic Web W3C Standards Timeline“ (https://dblab.ntua.gr/~bikakis/XMLSem

anticWebW3CTimeline.pdf) (PDF). 4. Februar 2012.
281. Siehe zum Beispiel Boolos und Jeffrey, 1974, Kapitel 11.
282. Sowa, John F. (1987). „Semantische Netzwerke“ (https://jfsowa.com/pubs/semnet.htm). In Shapiro, Stuart C
(Hrsg.). Enzyklopädie der Künstlichen Intelligenz. Abgerufen am 29. April 2008.
283. O'Hearn, PW; Pym, DJ (Juni 1999). „Die Logik gebündelter Implikationen“. Bulletin von
Symbolische Logik. 5 (2): 215–244. CiteSeerX 10.1.1.27.4742 (https://citeseerx.ist.psu.edu/view doc/
summary?doi=10.1.1.27.4742). doi:10.2307/421090 (https://doi.org/10.2307%2F42109 0). JSTOR
421090 (https://www.jstor.org/stable/421090). S2CID 2948552 (https://api.semant icscholar.org/
CorpusID:2948552).
284. Abran et al. 2004, S. 1–1
285. „Computing Degrees & Careers“ (https://web.archive.org/web/20110617053818/https://com
putingcareers.acm.org/?page_id=12).ACM. 2007. Archiviert vom Original (https://computi
ngcareers.acm.org/?page_id=12) am 17. Juni 2011. Abgerufen am 23. November 2010.
286. Laplante, Phillip (2007). Was jeder Ingenieur über Software Engineering wissen sollte (ht tps://
books.google.com/books?id=pFHYk0KWAEgC&q=What%20Every%20Engineer%20S
hould%20Know%20about%20Software%20Engineering.&pg=PA1). Boca Raton: CRC.
ISBN 978-0-8493-7228-5. Abgerufen am 21. Januar 2011.
287. Rapoza, Jim (2. Mai 2006). „SPARQL wird das Web zum Leuchten bringen“ (https://eweek.com/
development/sparql-will-make-the-web-shine ). eWoche. Abgerufen am 17. Januar 2007.
288. Segaran, Toby; Evans, Colin; Taylor, Jamie (2009). Programmierung des Semantic Web (https://
archive.org/details/programmingseman00sega_683 ). O'Reilly Media, Inc., 1005 Gravenstein Highway
North, Sebastopol, CA 95472. p. 84 (https://archive.org/details/programmingseman 00sega_683/page/
n101). ISBN 978-0-596-15381-6.
289. Maass, Wolfgang (1997). „Netzwerke von Spike-Neuronen: Die dritte Generation von Neuronen
Netzwerkmodelle". Neural Networks. 10 (9): 1659–1671. doi:10.1016/S0893-6080(97)00011-7 (https://
doi.org/10.1016%2FS0893-6080%2897%2900011-7) . ISSN 0893-6080 (https://www.worldcat.org/
issn/0893-6080 ).
290. „Was ist staatenlos? – Definition von WhatIs.com“ (https://whatis.techtarget.com/definition/stat
eless). techtarget.com.
291. Lise Getoor und Ben Taskar: Einführung in das statistische relationale Lernen (https:// books.googl
e.com/ books?id=lSkIewOw2WoC), MIT Press, 2007
292. Ryan A. Rossi, Luke K. McDowell, David W.Aha und Jennifer Neville, „Transforming Graph Data for
Statistical Relational Learning.“ (https://jair.org/media/3659/live-3659-6589-jair .pdf)“
Journal of Artificial Intelligence Research (JAIR), Band 45 (2012), S. 363–441.
293. Spall, JC (2003). Einführung in die stochastische Suche und Optimierung (https://jhuapl.edu/IS SO).
Wiley. ISBN 978-0-471-33052-3.
294. Sprachverständnis mithilfe zweistufiger stochastischer Modelle von F. Pla et al., 2001,
Springer Lecture Notes in Computer Science ISBN 978-3-540-42557-1 295.
Stuart J. Russell, Peter Norvig (2010) Künstliche Intelligenz: Ein moderner Ansatz, Dritte
Edition, Prentice Hall ISBN 9780136042594.
296. Mehryar Mohri, Afshin Rostamizadeh, Ameet Talwalkar (2012) Grundlagen der Maschine
Lernen, The MIT Press ISBN 9780262018258.
297. Cortes, Corinna; Vapnik, Vladimir N (1995). „Support-Vector-Netzwerke“ (https://doi.org/10.100
7%2FBF00994018). Maschinelles Lernen. 20 (3): 273–297. doi:10.1007/BF00994018 (https://d oi.org/
10.1007%2FBF00994018).
298. Beni, G.; Wang, J. (1993). „Schwarmintelligenz in zellulären Robotersystemen“. Fortfahren.
NATO Advanced Workshop on Robots and Biological Systems, Toskana, Italien, 26.–30. Juni
(1989). S. 703–712. doi:10.1007/978-3-642-58069-7_38 (https://doi.org/
10.1007%2F978-3-642-58069-7_38 ). ISBN 978-3-642-63461-1.
299. Haugeland 1985, p. 255.
300. Poole, Mackworth & Goebel 1998, p. 1.
301. „Sammlung von Quellen, die „Singularität“ definieren“ (https://singularitysymposium.com/definition-of-
singularity.html). singularitysymposium.com. Abgerufen am 17. April 2019.
302. Eden,Amnon H.; Moor, James H. (2012). Singularitätshypothesen: Eine wissenschaftliche und
Philosophische Bewertung (https://archive.org/details/singularityhypot00mueh). Dordrecht: Springer. S. 1 (https://
archive.org/details/singularityhypot00mueh/page/n9)–2.
ISBN 9783642325601.
303. Cadwalladr, Carole (2014). „Sind die Roboter bald auf dem Vormarsch? Googles neuer Direktor von
Die Technik glaubt so ... (https://theguardian.com/technology/2014/feb/22/robots-google-ray-k urzweil-terminator-
singularity-artificial-intelligence)“ The Guardian. Guardian News and Media Limited.
304. Sutton, Richard & Andrew Barto (1998). Reinforcement Learning (https://web.archive.org/we b/20170330005640/https://
incompleteideas.net/sutton/book/the-book.html). MIT Press.
ISBN 978-0-585-02445-5. Archiviert vom Original (https://incompleteideas.net/sutton/boo k/the-book.html) am 30. März
2017.
305. Pellionisz,A.; Llinás, R. (1980). „Tensorieller Ansatz zur Geometrie der Gehirnfunktion:
Kleinhirnkoordination über einen metrischen Tensor“ (https://academia.edu/download/31409354/pel
lionisz_1980_cerebellar_coordination_via_a_metric_tensor_fullpaper.pdf) (PDF).
Neurowissenschaften. 5 (7): 1125––1136. doi:10.1016/0306-4522(80)90191-8 (https://doi.org/10.10
16%2F0306-4522%2880%2990191-8). PMID 6967569 (https://pubmed.ncbi.nlm.nih.gov/69 67569). S2CID 17303132
306. Pellionisz,A.; Llinás, R. (1985). „Tensor-Netzwerk-Theorie der Metaorganisation von
Funktionelle Geometrien im Zentralnervensystem". Neurowissenschaften. 16 (2): 245–273.
doi:10.1016/0306-4522(85)90001-6 (https://doi.org/10.1016%2F0306-4522%2885% 299000 1-6). PMID 4080158 (https://
pubmed.ncbi.nlm.nih.gov/4080158). S2CID 10747593 (https://a pi.semanticsscholar.org/CorpusID:10747593).
307. „TensorFlow: Open-Source-Maschinelles Lernen“ (https://youtube.com/watch?v=oZikw5k_2FM)

„Es handelt sich um Software für maschinelles Lernen, die für verschiedene Arten von Wahrnehmungs- und
Sprachverständnisaufgaben verwendet wird“ – Jeffrey Dean, Minute 0:47 / 2:17 aus YouTube-Clip
308. Sipser, Michael (2013). Einführung in die Berechnungstheorie 3. Engagieren Sie das Lernen.
ISBN 978-1-133-18779-0. „Zentrale Bereiche der Berechnungstheorie: Automaten, Berechenbarkeit und
Komplexität. (Seite 1)“
309. Thompson, William R (1933). „Über die Wahrscheinlichkeit, dass eine unbekannte Wahrscheinlichkeit angesichts
der Evidenz von zwei Proben eine andere übertrifft.“ Biometrie. 25 (3–4): 285–294. doi:10.1093/biomet/
25.3-4.285 (https://doi.org/10.1093%2Fbiomet%2F25.3-4.285).
310. Russo, Daniel J.; Van Roy, Benjamin; Kazerouni, Abbas; Osband, Ian; Wen, Zheng (2018).
„Ein Tutorial zur Thompson-Probenahme“. Grundlagen und Trends im maschinellen Lernen. 11 (1): 1–96.
arXiv:1707.02038 (https://arxiv.org/abs/1707.02038). doi:10.1561/2200000070 (https://doi.org/10.1561%2F2200000070 ).
S2CID 3929917 (https://api.semanticsscholar.org/CorpusI D:3929917).
311. Mercer, Calvin. Religion und Transhumanismus: Die unbekannte Zukunft des Menschen
Erweiterung. Präger.
312. Bostrom, Nick (2005). „Eine Geschichte des transhumanistischen Denkens“ (https://nickbostrom.com/papers/h istory.pdf)
(PDF). Zeitschrift für Evolution und Technologie. Abgerufen am 21. Februar 2006.
313. Turing schlug ursprünglich einen Fernschreiber vor, eines der wenigen Nur-Text-Kommunikationssysteme, die 1950
verfügbar waren. (Turing 1950, S. 433)
314. Pierce 2002, p. 1: „Ein Typsystem ist eine nachvollziehbare syntaktische Methode zum Nachweis des Fehlens
bestimmter Programmverhaltensweisen durch Klassifizierung von Phrasen entsprechend der Art der von ihnen
berechneten Werte.“
315. Cardelli 2004, S. 315. 1: „Der grundlegende Zweck eines Typensystems besteht darin, das Auftreten zu verhindern
von Ausführungsfehlern während der Ausführung eines Programms.
316. Hinton, Jeffrey; Sejnowski, Terrence (1999). Unüberwachtes Lernen: Grundlagen des Neuronalen
Berechnung. MIT Press. ISBN 978-0262581684.
317. Colaner, Seth; Humrick, Matthew (3. Januar 2016). „Ein dritter Prozessortyp für AR/VR:
Movidius' Myriad 2 VPU" (https://tomshardware.com/news/movidiud-myriad2-vpu-vision-pro cessing-
vr,30850.html). Tom's Hardware.
318. Banerje, Prasid (28. März 2016). „Der Aufstieg der VPUs: Maschinen Augen schenken“ (https://digit.i n/general/
the-rise-of-vpus-giving-eyes-to-machines-29561.html). Digit.in.
319. „DeepQA-Projekt: FAQ“ (https://research.ibm.com/deepqa/faq.shtml). IBM. Abgerufen am 11. Februar
2011.
320. Ferrucci, David; Levas,Anthony; Bagchi, Sugato; Gondek, David; Müller, Erik T. (1. Juni 2013). „Watson:
Beyond Jeopardy!“ (https://doi.org/10.1016%2Fj.artint.2012.06.009).
Künstliche Intelligenz. 199: 93–105. doi:10.1016/j.artint.2012.06.009 (https://doi.org/10.101
6%2Fj.artint.2012.06.009).
321. Hale, Mike (8. Februar 2011). „Schauspieler und ihre Rollen für 300 $, HAL? HAL!“ (https://nytime s.com/
2011/02/09/arts/television/09nova.html). Die New York Times. Abgerufen am 11. Februar 2011.
322. „Das DeepQA-Projekt“ (https://research.ibm.com/deepqa/deepqa.shtml). IBM-Forschung.

Abgerufen am 18. Februar 2011.
323. io9.com erwähnt enge KI. Veröffentlicht am 1. April 2013. Abgerufen am 16. Februar 2014: https://
io9.com/how-much-longer-before-our-first-ai-catastrophe-464043243 324. Der KI-Forscher
Ben Goertzel erklärt, warum er sich für AGI statt für enge KI interessierte.
Veröffentlicht am 18. Oktober 2013. Abgerufen am 16. Februar
2014. https://intelligence.org/2013/10/18/ben-goertzel/
325. TechCrunch diskutiert die AIApp-Erstellung in Bezug auf Narrow AI. Veröffentlicht am 16. Oktober 2015.
Abgerufen am 17. Oktober 2015. https://techcrunch.com/2015/10/15/machine-learning-its-the-hard issues-
that-are-valuable/
Zitierte Werke
Abran,Alain; Moore, James W.; Bourque, Pierre; Nilsson, Nils (1998). Künstliche Intelligenz: Eine
Dupuis, Robert; Tripp, Leonard L. neue Synthese (https://archive.org/detail s/
(2004). Leitfaden zum Software-Engineering- artificialintell0000nils). Morgan
Wissensbestand. IEEE. ISBN 978-0-7695-2330-9. Kaufmann. ISBN 978-1-55860-467-4.
Archiviert (https://web.archive.org/web/202
Cardelli, Luca (2004). „Typsysteme“ ( http:// 00726131654/https://archive.org/details/art
lucacardelli.name/Papers/TypeSystem s.pdf) ifificialintell0000nils) vom Original am 26. Juli 2020.
(PDF). In Allen B. Tucker (Hrsg.). CRC-Handbuch Abgerufen am 18. November 2019.
für Informatik und Ingenieurwesen (2. Aufl.). Pierce, Benjamin C. (2002). Typen und
CRC-Presse. Programmiersprachen. MIT Press.
ISBN 978-1584883609. ISBN 978-0-262-16209-8.
Haugeland, John (1985). Künstliche Poole, David; Mackworth, Alan; Goebel, Randy
Intelligenz: Die eigentliche Idee. Cambridge, (1998). Computational Intelligence: Ein logischer
Mass.: MIT Press. ISBN 978-0-262-08153- 5. Ansatz (https://archive.org/details/
computationalint00pool). New York: Oxford
Legg, Shane; Hutter, Marcus (15. Juni 2007). University Press. ISBN 978-0-19-
„Eine Sammlung von Definitionen von 510270-3.Archiviert (https://web.archive.or g/web/
Intelligenz“. arXiv:0706.3639 (https://arxi v.org/abs/ 20200726131436/https://archive.or g/details/
0706.3639) [cs.AI (https://arxiv.org/archive/cs.AI )]. computationalint00pool) vom Original am 26. Juli
2020. Abgerufen am 22. August 2020.
Mitchell, Melanie (1996). Eine Einführung in

genetische Algorithmen. Cambridge, MA: MIT
Press. ISBN 9780585030944.
Russell, Stuart J.; Norvig, Peter (2003), Künstliche Turing, Alan (Oktober 1950), „Computing Machinery
Intelligenz: Ein moderner Ansatz (http:// and Intelligence“, Mind, LIX (236): 433–460,
aima.cs.berkeley.edu/) (2. Aufl.), Upper Saddle doi:10.1093/mind/
River, New Jersey: Prentice Hall, ISBN 0-13-790395-2 LIX.236.433 (https://doi.o rg/
10.1093%2Fmind%2FLIX.236.433), ISSN
0026-4423 (https://www.worldcat. org/ issn/0026-4423)
Anmerkungen
1. Die Polynomzeit bezieht sich darauf, wie schnell die Anzahl der von einem Algorithmus benötigten Operationen
im Verhältnis zur Größe des Problems wächst. Es ist daher ein Maß für die Effizienz eines Algorithmus.
Abgerufen von „https://en.wikipedia.org/w/index.php?title=Glossary_of_artificial_intelligence&oldid=1156916325“
Begrenzte Inhaltsbreite umschalten

Glossar Der KI

Hochgeladen von

Copyright:

Verfügbare Formate

Glossar Der KI

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Glossar Der KI

Hochgeladen von

Copyright:

Verfügbare Formate

Machine Translated by Google

Glossar der künstlichen Intelligenz

Ein mathematisches Modell

maschinellen Lernens, der sich

Adaptives Neuro-Fuzzy-Inferenzsystem (ANFIS)

eines Algorithmus, die sich auf

Algorithmen Die Bestimmung

(AGI) Künstliches Immunsystem (AIS)

Auszeichnungssprache für künstliche Intelligenz

Verein zur Förderung der künstlichen Intelligenz (AAAI)

Planung und Terminierung

Informatik und mathematischen

Autonomes Computing (AC)

Die Verhaltensinformatik, um Verhaltensintelligenz und Verhaltenseinblicke zu erhalten.[55] Verhaltensbaum

Tafelsystem Ein Ansatz

Kapsel-Neuronales Netzwerk (CapsNet)

Fallbasiertes Denken (CBR)

vorherzusagen. [79] kognitive

Computational Intelligence (CI)

Theorie des rechnergestützten Lernens

Das Studium von Algorithmen zur Durchführung zahlentheoretischer Berechnungen.

Die Schnittstelle zwischen Statistik und Informatik.

Computerautomatisiertes Design (CAutoD)

Informatik Die Theorie,

Computer Vision Ein

der Datenanalyse versteht

Data Warehouse (DW oder DWH)

Teil einer größeren Familie maschineller Lernmethoden, die im Gegensatz zu aufgabenspezifischen

Ein wissenschaftlicher Bereich, dessen Ziel die Untersuchung der Entwicklungsmechanismen,

verteilte künstliche Intelligenz (DAI)

epistemische Logik (DEL)

ein Agent in einer Umgebung

Ethik der künstlichen Intelligenz Der Teil

Evolutionsberechnung Eine Familie

Eine Art maschinelles

Logik erster Ordnung

formelle Sprache Eine

zu finden. [175] freundliche künstliche Intelligenz

Allgemeines Spielen (GGP)

Generatives kontradiktorisches Netzwerk (GAN)

Optimierung des Glühwürmchenschwarms

IEEE Computational Intelligence Society

Lernens, bei der Eingabedaten

logische Regeln auf die

Eine beim maschinellen Lernen verwendete Methode, um Marginalisierung in allgemeinen Diagrammen zu

Wissenserwerb Der Prozess

Quelldaten. Wissensaustauschformat (KIF)

Lisp (Programmiersprache) (LISP)

Langes Kurzzeitgedächtnis (LSTM)

verlassen. Maschine hört zu

Ein allgemeines Forschungsgebiet zu Algorithmen und Systemen zum maschinellen Audioverstehen.

insbesondere bei unvollständigen oder unvollständigen Informationen oder begrenzter Rechenkapazität.

Erkennung benannter Entitäten (NER)

vorgelesen werden . Verarbeitung natürlicher Sprache (NLP)

Neuronale maschinelle Übersetzung (NMT)

modelliert werden. neuronale Turingmaschine (NTM)

durch Zeiger implementiert.

Offener, gesunder Menschenverstand

teilweise beobachtbarer Markov-Entscheidungsprozess (POMDP)