Konnektionismus : Von neuronalen Netzwerken zu einer ¿natürlichen¿ KI - Taschenbuch

EAN (ISBN-13): 9783519024552
ISBN (ISBN-10): 3519024551
Taschenbuch
Erscheinungsjahr: 1991
Herausgeber: Vieweg+Teubner Verlag

Buch in der Datenbank seit 2008-11-28T09:52:14+01:00 (Berlin)
Detailseite zuletzt geändert am 2024-02-16T12:35:32+01:00 (Berlin)
ISBN/EAN: 3519024551

ISBN - alternative Schreibweisen:
3-519-02455-1, 978-3-519-02455-2
Alternative Schreibweisen und verwandte Suchbegriffe:
Autor des Buches: modellen, hofstadter, georg, dorffner
Titel des Buches: informatik natur, konnektionismus

---

Daten vom Verlag:

Autor/in: Georg Dorffner
Titel: XLeitfäden der angewandten Informatik; Konnektionismus - Von neuronalen Netzwerken zu einer „natürlichen“ KI
Verlag: Vieweg+Teubner Verlag; Vieweg & Teubner
448 Seiten
Erscheinungsjahr: 1991-05-01
Wiesbaden; DE
Gewicht: 0,801 kg
Sprache: Deutsch
49,99 € (DE)
51,39 € (AT)
55,50 CHF (CH)
POD
XV, 448 S. 303 Abb.

BC; Engineering, general; Hardcover, Softcover / Technik; Ingenieurswesen, Maschinenbau allgemein; Verstehen; Architektur; Einheiten; Informationstheorie; Komplexität; Logik; Modell; Mustererkennung; Netzwerk; Optimierung; Organisation; Produktion; Systeme; Umwelt; künstliche Intelligenz; neuronale Netze; Technology and Engineering; EA

1 Von der klassischen AI zum Konnektionismus.- 1.1 Allgemeines.- 1.2 Die Annahmen der AI.- 1.2.1 Hintergründe der Physical Symbol System Hypothesis.- 1.2.1.1 Erklärbarkeit der Modelle.- 1.2.1.2 Die Church-Turing These.- 1.2.1.3 Prozeßstrukturen auf Makroebene.- 1.3 Ebenen kognitiver Prozesse.- 2 Konnektionismus — eine Einführung.- 2.1 Allgemeines.- 2.1.1 Das XOR-Netz.- 2.2 Repräsentation — die klassische Unterscheidung.- 2.3 “Programmieren” von konnektionistischen Netzwerken.- 2.3.1 Prinzipien des konnektionistischen Lernens.- 2.3.1.1 Das Hebb’sche Prinzip.- 2.3.1.2 Erweiterung der Hebb’schen Regel.- 2.3.1.3 Von der Delta Rule zur Backpropagation.- 2.4 Netzwerkgrundtypen.- 2.4.1 Feedforward-Verbindungen zwischen Layern.- 2.4.1.1 Assoziationsnetzwerke (Pattern Associators).- 2.4.1.2 Einige Beispiele.- Das Erlernen der XOR-Funktion.- NetTalk und NETZSPRECH.- Das Erlernen von Past Tense Formen im Englischen.- 2.4.1.3 Bidirektionale Assoziation (BAM).- 2.4.2 Vollverbindungen innerhalb eines Layers.- 2.4.2.1 Interactive Activation.- 2.4.2.2 Hopfield Netze.- 2.4.3 Andere Grundtypen.- 2.4.3.1 Partielle Verbindungen.- 2.4.3.2 Eins-zu-Eins Verbindungen.- 2.4.4 Zusammengesetzte Netzwerkmodelle.- 2.4.4.1 Competitive Learning.- 2.4.4.2 Counterpropagation.- 2.4.4.3 Topological Feature Maps.- 2.4.4.4 Adaptive Resonance Theory (ART).- 2.4.4.5 Rekurrente Feedforward-Netzwerke.- 2.4.5 Stochastische Modelle.- 2.4.6 Netzwerke höherer Ordnung.- 2.4.7 Klassifikation von Netzwerkgrundtypen.- 2.5 Aspekte von konnektionistischen Modellen.- 2.5.1 Parallelität und Verteiltheit.- 2.5.2 Adressierbarkeit anhand des Inhalts.- 2.5.3 Constraint Satisfaction.- 3 Neuronale Netzwerke — Eine nähere Betrachtung.- 3.1 Ein mathematischer Abriß der Aktivierungsausbreitung (Update).- 3.1.1 Update im assoziativen Netz.- 3.1.1.1 Lineare Abhängigkeiten.- 3.1.1.2 Vektorähnlichkeit und Netzwerkantwort.- 3.1.1.3 Hidden Units und lineare Trennbarkeit.- 3.1.1.4 Partielle Verbindungen.- 3.1.2 Die Kombination von Assoziation und WTA.- 3.1.3 Update mit Vollverbindungen.- 3.1.3.1 Die Möglichkeiten der Kompetition.- 3.1.3.2 Stabilität und Liapunov-Funktionen.- 3.1.4 Stochastisches Update.- 3.2 Ein mathematischer Abriß der Lernregeln.- 3.2.1 Die Grenzen der Hebb’schen Regel.- 3.2.2 Das Wesen der Delta-Regel.- 3.2.3 Backpropagation als Optimierungsvorgang.- 3.2.4 Lernen mit Vollverbindungen.- 3.2.5 Stochastisches Lernen.- 3.2.6 Zusammenfassung.- 3.3 Verteilte Aktivierungsmuster.- 3.3.1 Die Bedeutung verteilter Aktivierungsmuster.- 3.3.2 Features und Microfeatures.- 3.3.3 Coarse Coding.- 3.3.4 Conjunctive Coding.- 3.3.5 Zufälliger m aus n Code.- 3.3.6 Selbstorganisation.- 4 Das Sub-Symbolische Paradigma.- 4.1 Von Hofstadter zu Smolensky.- 4.2 Die Gebirgsanalogie.- 4.3 Die symbolische Annäherung.- 4.4 Als Beispiel: Buchstabenerkennung.- 4.4.1 Features ersetzen den vollständigen Zustand.- 4.4.2 Zwischenzustände und Kontext.- 4.4.3 Der Versuch der symbolischen Annäherung und die sub-symbolische Antwort.- 4.5 Die Gegenprobe: identifizierbare Features.- 4.6 Die konnektionistische Version des Sub-symbolischen Paradigmas.- 5 Repräsentation und Selbstorganisation.- 5.1 Allgemeines.- 5.2 Symbolische Repräsentation.- 5.3 Sub-symbolische Repräsentation.- 5.4 Die Notwendigkeit eines Interpreters.- 5.5 Was aber passiert in Hidden Units?.- 5.6 Warum wurde Repräsentation als so wichtig eingeschätzt?.- 5.7 Kognitive Modelle ohne Repräsentation? — Das Tower-Bridge Bild.- 5.7.1 Repräsentation auf Metaebene.- 5.7.2 Repräsentationsfreie konnektionistische Modelle.- 5.8 Sub-Symbolische Repräsentation — Das ‘Binding Problem’.- 5.8.1 Die Tensor-Produkt Repräsentation.- 5.8.2 Binding Problem: Fragen und Beobachtungen.- 5.8.3 Kompositionalität.- 6 Symbole in sub-symbolischen Modellen.- 6.1 Allgemeines.- 6.2 Symbole und Informationstheorie.- 6.3 Die Rolle symbolischer Muster.- 6.4 Darstellung von Symbolen in konnektionistischen Netzwerken.- 6.4.1 Lokale Realisierung.- 6.4.2 Lokale Realisierung externer Darstellungen.- 6.4.3 Verteilte Realisierung von Symbolen.- 6.4.4 Verteilte Realisierung von externen Darstellungen — “Symbols among the Neurons”.- 6.4.5 Strukturierte Symbole.- 6.5 Ein Modellansatz für repräsentationsfreie interne Symbole.- 6.5.1 Symbol Units.- 6.5.2 Die Phasen der Referenzbildung.- 6.6 Zusammenfassung.- 7 Regeln und sub-symbolische AI.- 7.1 Allgemeines.- 7.2 Transformationsregeln.- 7.2.1 Distributed (Soft) Rules.- 7.2.2 NETZSPRECH als ein verteiltes “Regel”-System.- 7.2.2.1 Kontexteinflüsse.- 7.2.2.2 Lernen anhand der gegebenen Umwelt.- 7.2.2.3 Robustheit und Fehlertoleranz.- 7.2.3 Das Past-Tense Modell als “System of Soft Rules”.- 7.2.4 Regelfolgend vs. regelbeherrscht.- 7.2.5 Inhaltsblinde Regeln.- 7.2.5.1 Das Copy-Problem.- 7.2.5.2 Copy und Binding Problems vereint.- 7.3 Definitionsregeln: Am Beispiel Sprache.- 7.3.1 Assoziative Analyse von Mustersequenzen.- 7.3.1.1 Das Modell von Jordan.- 7.3.1.2 Selbstorganisierende Sequenzendetektoren.- 7.3.2 Sequenzen und zeitliche Erwartungen.- 7.3.3 Rekursionen.- 7.4 Zusammenfassung.- 8 Lernen.- 8.1 Was ist Lernen?.- 8.2 Lernen vom Hebb-Typus.- 8.2.1 LTM vs. STM.- 8.2.2 Lernen als statistischer Vorgang.- 8.2.3 supervised vs. unsupervised.- 8.2.3.1 Arten von Lehrern.- 8.2.3.2 Lernen und Repräsentation.- 8.2.4 Lernen über den CRI.- 8.2.5 Architektur- und Strukturlernen.- 8.3 Verlernen.- 8.4 Zusammenfassung.- 9 Zufälligkeit.- 9.1 Die Bedeutung stochastischer Komponenten.- 9.2 Pseudo-Zufälligkeit.- 10 Feedbacks, Motivation und aktive Systemkomponenten.- 10.1 Weg vom Stimulus-Response System.- 10.1.1 Feedback-Schleifen.- 10.1.2 Interner Kontext.- 10.1.3 Motivationen und Antriebe.- 10.1.4 Selbsterhaltende (autonome) Systeme.- 10.1.5 Interne Reflexionen und der CRI.- 10.2 Radikaler Konstruktivismus und sub-symbolische AI.- 10.3 Offene Fragen.- 11 Modelle der Perzeption.- 11.1 Allgemeines.- 11.2 Merkmale perzeptorischer Vorgänge.- 11.3 Akustische Spracherkennung (Speech Recognition).- 11.3.1 Vielfalt und Kontext.- 11.3.2 Segmentierung und Phoneme.- 11.3.3 Sequentialität und Zeitverhalten.- 11.3.3.1 Konnektionistische Ansätze zur Verarbeitung spatiotemporaler Inputs.- 11.3.4 Erwartungen und zeitlicher Kontext.- 11.3.5 Weitere Beispiele.- 11.3.5.1 Das TRACE Modell.- 11.3.5.2 Phonotopic maps.- 11.3.5.3 Modulares Erkennen und “connectionist glue”.- 11.4 Visuelle Mustererkennung — Vision.- 11.4.1 Invarianzen.- 11.4.2 Andere subjektive Ähnlichkeiten.- 11.4.3 Erweiterte Netzwerkarchitekturen zur Mustererkennung.- 11.4.3.1 Nachbarschaftsbeziehungen.- 11.4.3.2 Featuredetektoren.- 11.4.3.3 Rezeptive Felder.- 11.4.4 Das Neocognitron.- 11.4.5 Visuelle Filterfunktionen.- 11.4.5.1 Zentrieren von Mustern.- 11.4.5.2 Focus of Attention.- 11.4.5.3 Abheben vom Hintergrund.- 11.4.5.4 Habituation.- 11.4.6 Sequentielle Erkennung und Gestaltphänomene.- 11.5 Zusammenfassung.- 12 Kategorisierung und Konzeptualisierung.- 12.1 Allgemeines.- 12.2 Menschliche Kategorisierung und Implikationen daraus.- 12.2.1 Allgemeines.- 12.2.1 Bottom-Up und Top-Down Komponenten der Kategorisierung.- 12.3 Kategorien und Bildung von Konzepten im sub-symbolischen Wissen.- 12.3.1 Verteilte Repräsentation von Konzepten.- 12.3.2 Ein konnektionistisches Modell der Konzeptbildung.- 12.3.2.1 C-Layers und ihre Funktion.- 12.3.2.2 Die Leistungen des Modells.- 12.3.3 Hierarchien von Konzepten.- 12.3.3.1 Basic-Level Kategorien.- 12.3.3.2 Aus verteilt mach lokal.- 12.3.3.3 Natürliche und künstliche Hierarchien.- 12.3.3.4 Die sub-symbolische “Vererbung”.- 12.3.3.5 Zusammenfassung.- 12.3.4 Merkmale (Features) und Konzepte verschiedener Komplexität.- 12.4 Struktur und das Binding Problem.- 12.4.1 Die Bindingvektor-Repräsentation.- 12.4.1.1 Überlagerung.- 12.4.1.2 Ein Beispiel.- 12.4.1.3 Schlußfolgerung.- 12.5 Modularität, Rekrutierung und Resonanz.- 12.6 Schemata.- 13 Sprachverarbeitung.- 13.1 Klassische Modelle und deren Grenzen.- 13.2 Eine sub-symbolische Sicht.- 13.2.1 Wörter und ihre Bedeutung.- 13.2.2 “syntaktische” Struktur.- 13.2.3 Fixes Sprachsystem als Illusion und Wirklichkeit.- 13.2.4 “Universalgrammatik”.- 13.3 Andere konnektionistische Systeme zum Thema Sprache.- 13.3.1 Konnektionistische Parser.- 13.3.2 Andere strukturierte Modelle.- 13.3.3 Verteilte assoziative Modelle.- 13.3.4 Selbstorganisierende Modelle.- 14 Expertensysteme und Logik in der sub-symbolischen AI.- 14.1 Menschliche Expertise, IP und CRI.- 14.2 Produktionensysteme und neuronale Netzwerke.- 14.3 Die Kritiken Dreyfus’.- 14.4 Die Rolle der Logik.- 15 Eine kritische Zusammenfassung.- 15.1 Allgemeines.- 15.2 Die “Symbol Wars”.- 15.2.1 Fodor & Pylyshyn.- 15.2.2 Pinker & Prince.- 15.2.3 Andere Kritiken.- 15.3 Die Grenzen des sub-symbolischen Ansatzes.- 15.3.1 Modelldimensionen.- 15.3.2 Erlernbarkeit.- 15.3.3 Sub-symbolische AI und Evolution.- 15.3.4 Hybride Systeme.- 15.3.5 Der Conscious Rule Interpreter.- 15.3.6 Wohin führt das?.- 15.4 Konklusion (ein Versuch).- Literatur.