Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

© Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden natürlich sprachliche Beschreibung logisch formale Darstellung KI Wissensrepräsentation,

Ähnliche Präsentationen


Präsentation zum Thema: "© Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden natürlich sprachliche Beschreibung logisch formale Darstellung KI Wissensrepräsentation,"—  Präsentation transkript:

1 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden natürlich sprachliche Beschreibung logisch formale Darstellung KI Wissensrepräsentation, Wissensdarstellung, Datenmodelle Wissensverarbeitung

2 © Prof. Dr. H. Gläser, Künstliche Intelligenz objektorientierte WRM Wissensrepräsentationsmethoden Wissensrepräsentationsmethoden (WRM) deklarative WRM hybride WRM prozedurale WRM Datenbanken relationalentity relationship Modell regelorientierte WRM lexikalische WRM ThesauriLexika Logik orientierte WRM grammatikalische WRM Produktionsregelsysteme semantische NetzeFrame - Repräsentationen strukturierte Vererbungsnetze

3 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Kognitive Modellierung Begriff: Wortetikett (bezeichnet Begriff und vertritt ihn in der Kommunikation) alle Beziehungen zu anderen Begriffen komplexes Muster perzeptuellen (meist visuellen) Ursprungs

4 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden semantisches Netz: Darstellung von Begriffen und deren Beziehung Graph: Knoten = Begriffe, Kanten = Beziehungen, (Relationen)

5 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Kognitives semantisches Netz: Knoten sind Begriffe Kanten sind jeweils Klassen von ähnlichen Beziehungen zwischen Begriffen = semantische Tiefenbeziehung Beispiel: Tisch - Tischplatte Schiff - Bug Haus - Wohnung Auto - Kotflügel... } semantisch Tiefenbeziehung Relation PARS Abstraktionsklasse aller physischen Teil-Ganzes Beziehungen Sorten: Die Begriffe können in Sorten eingeteilt werden

6 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden vertikal gilt z.B. k ent, horizontal sind die Sorten disjunkt Entitäten [ent] Spezifikatoren [sp] Abstrakta [a] Eigen- schaften [p] Merk- male [me] relationale Abstrakta [ra] Sach verhalte [sv] Sub- stanzen [s] Diskreta [d] Kollektiva [co] Zeiten [t] Konkreta [k] Situations- deskriptoren [sd] formale Entitäten [fe] operationale Merkmale [op] nicht operationale Merkmale [nop] Vorgänge [v] Zustände [z] handlungsfähige Diskreta [ag] Artefakte [ar] Zahlen [n] Quantitäten [q]... Lokationen [l]...

7 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Beispiele {leer, rot,... } {Charme, Feigheit,... } {regnen, integrieren, laufen,... } p nop v {Milch, Eisen, Sauerstoff,... } s {Haus, Flugzeug, Zaun,... } ar {gestern, Mittelalter, Winter,... } t {drei, hunderte,... } n {Höhe, Masse, Frequenz,... } op {Äquivalenz, Analogie,... } ra {wohnen, ruhen, krank sein,... } z {Mann, Firma, Tiger,... } ag {Gebirge, Wald, Gemeinde,... } co {,,... } l {3 km, 5 kg,... } q

8 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Relationen SUB: k x k SUB x y Begriff x ist Begriff y untergeordnet Was ist ein x ? Welche y gibt es ? Beispiel: Eiffelturm Turm Bauwerk SUB

9 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden SUBA: v x v SUBA x y Vorgang x ist abstrahierten (generischen) Vorgang y untergeordnet Was tut ? Was {geschieht / wird getan} ? Beispiel: fahren bewegen SUBA

10 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden PARS: k x k PARS x y x ist Teil von y Woraus besteht y ? Wovon ist x ein Teil ? Wozu gehört x? POSS: ag x k POSS x y Besitzer x besitzt materiellen Besitz y Wem gehört y ? Wer {besitzt/hat}y ? Was besitzt x? PROP: k x p PROP x y Zuordnung von Eigenschaft y zu Objekt x Welche Eigenschaft hat x? Welche x sind y ?

11 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Beispiel: kaputt Schiebedach POSS SUB Peter PROP PARS AutoSUB Peter besitzt ein kaputtes Auto mit Schiebedach

12 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Tiefenkasusrelationen Innerhalb eines Vorgangs nehmen Entitäten Rollen ein Vorgang = Knoten Tiefenkasusrelationen = Kanten In natürlichen Sprachen werden Tiefenkasusrelationen durch Fälle oder Präpositionen ausgedrückt (mit Hilfe von)

13 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden AGT: v x ag AGT x y Handlung x wird aktiv von handlungsfähigem Objekt y ausgeführt Wer hat x {getan/ausgeführt} ? Von wem wird x durchgeführt ? DAT: v x k DAT x y Vorgang x wendet sich Objekt y zu An wen wendet sich x ? Wem wendet sich x zu ? OBJ: v x k OBJ x y Objekt y ist passiv am Vorgang x beteiligt (wird nicht verändert). {Wen/Was} man ? {sieht, trifft, beschreibt,...}

14 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden INSTR: v x ag INSTR x y Beziehung zwischen Vorgang (Handlung) x und Instrument y, mit dem die Handlung ausgeführt wird Womit wird x ausgeführt ? THM: v x {a k} THM x y Beziehung zwischen Vorgang und thematischem Inhalt, wenn Vorgang geistiger Prozeß {Worüber/Wovon ? {schreiben, berichten, nachdenken,...} INIT / RSLT: v x {z k} INIT x y bzw RSLT x y Anfangs- bzw End-Zustand (Ergebnis) einer Handlung x. Was ist der Anfangszustand / Ergebnis von x ?

15 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Beispiel: Bericht Praktikum SUB Peter AGT SUBAschreiben SUB Peter schreibt mit der Schreibmaschine einen Bericht über das Praktikum Schreibmaschine INSTR SUB OBJ THM

16 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Attribut-Wert Beziehungen DATTR: {a k} x {a k} DATTR x y x wird durch definierendes Attribut y charakterisiert Welches {Merkmal/Attribut} besitzt x ? Wodurch ist x charakterisiert ? VALR: {a k}x {a k fe} VALR x y Wertebereich für Merkmal x Welche {Werte/Ausprägungen} kommen für das Merkmal y prinzipiell in Frage ? VAL: {a k}x {a k fe} VAL x y y ist die konkrete Wertausprägung von Merkmal x Welchen Wert {besitzt/hat} x ? Welche(n) hat das Objekt ? {Höhe, Dichte, Farbe,...}

17 © Prof. Dr. H. Gläser, Künstliche Intelligenz SUB: k x k SUB x y Begriff x ist Begriff y untergeordnet SUBA: v x v SUBA x y Vorgang x ist abstrahierten (generischen) Vorgang y untergeordnet PARS: k x k PARS x y x ist Teil von y POSS: ag x k POSS x y Besitzer x besitzt materiellen Besitz y PROP: k x p PROP x y Zuordnung von Eigenschaft y zu Objekt x AGT: v x ag AGT x y Handlung x wird aktiv von handlungsfähigem Objekt y ausgeführt DAT: v x k DAT x y Vorgang x wendet sich Objekt y zu OBJ: v x k OBJ x y Objekt y ist passiv am Vorgang x beteiligt (wird nicht verändert). INSTR: v x ag INSTR x y Beziehung zwischen Vorgang (Handlung) x und Instrument y, mit dem die Handlung ausgeführt wird THM: v x {a k} THM x y Beziehung zwischen Vorgang und thematischem Inhalt, wenn Vorgang geistiger Prozeß INIT / RSLT: v x {z k} INIT x y bzw RSLT x y Anfangs- bzw End-Zustand (Ergebnis) einer Handlung x. DATTR: {a k} x {a k} DATTR x y x wird durch definierendes Attribut y charakterisiert VALR: {a k}x {a k fe} VALR x y Wertebereich für Merkmal x VAL: {a k}x {a k fe} VAL x y y ist die konkrete Wertausprägung von Merkmal x

18 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Beispiel: Peter POSS SUB Ein Auto hat einen Preis, der zwischen 2500 und liegt. Peters Auto kostet Auto DATTR Preis DATTR SUB VALR VAL [2500, ] SUB Autopreis Oberbegriff Instanz Slotname Filler

19 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Temporale und lokale Restriktionen Gehören aus logischer Sicht anderer Ebene an als die bisherigen Relationen Schränken Gültigkeitsbereich von Aussagen ein (Operatoren über Aussagen) - bisherige Relationen machen Aussagen

20 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden TEMP: sv x t TEMP x y Einschränkung der Gültigkeit von Sachverhalt x auf das Zeitintervall y {Wann/Zu welcher Zeit} {galt x/fand x statt}? LOK: sv x l LOLK x y Einschränkung der Gültikeit des Sachverhalts x auf die Lokation y {Wo / an welchem Ort} {gilt/findet statt/ereignet sich} x ?

21 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Beispiel: Im Mittelalter trugen Ritter in Europa eine Eisenrüstung tragen OBJ SUBA LOK Mittelalter SUB Eisenrüstung Europa Ritter SUB AGT TEMP Kapsel (propositionaler Kern) g Allg Bhptg. a FORMEL

22 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Schichten: Einführung einer Unterscheidung zwischen Individualbegriffen (Peter I., Beethoven, Rembrandt) und (generische Begriffe) (Zar, Komponist, Maler) => Einführung zweier Schichten Beispiel: individuell generisch nachts Krankheit Besonderheit: Unterscheidung zwischen individuell und generisch bei nicht Konkreta

23 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden der, dieser, ein,... alle, jeder,... Determinatoren Quantoren Referenz auf Extension Mengen drei Schüler, mehr als hundert Teile, Aufzählungen die einen... die anderen, einige davon, außer.... => 2 zusätzliche Schichten: intesionale Ebene präextensionale Ebene

24 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Der Hund beißt den PostbotenAGT beißen SUB HundPostbote bp SUB h SUBA OBJ

25 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Jeder Hund beißt einen Postboten AGT beißen SUB HundPostbote bp SUB h SUBA OBJ x [ Hund(x) ( y Postbote(y) beißt(x,y)) ] SUB a Allg. Bhptg. FORMEL SA S1 automatisch mit quantifiziert

26 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Jeder Hund beißt jeden Postboten AGT beißen SUB HundPostbote bp SUB h SUBA OBJ x y [ (Hund(x) Postbote(y)) beißt(x,y) ] SUB a Allg. Bhptg. FORMEL SA S1 Sonderschicht, um bei Abfragen wie Wer wird gebissen nicht p geliefert zu bekommen (p ist Variable)

27 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Jeder Hund in der Stadt beißt den Wachtmeister AGT beißen SUB Stadthund Wachtmeister bw SUB h SUBA OBJ x [ Stadthund(x) beißt(x,Wachtmeister) ] SUB a Allg. Bhptg. FORMEL SA S1 Hund SUB nicht mit quantifiziert

28 © Prof. Dr. H. Gläser, Künstliche Intelligenz Semantische Netze: Fragebeantwortung Das ALGOL Programm QUADI6 berechnet das bestimmte Integral einer Funktion mit Hilfe der Simpson Regel. Die Funktion ist vom Nutzer durch ihre Werte in äquidistanten Schnittstellen vorzugeben. Die Anzahl dieser Stützstellen muß gerade sein. Die Funktionswerte werden mit Hilfe des REX- Systems von einem externen Speicher übernommen.

29 © Prof. Dr. H. Gläser, Künstliche Intelligenz Fragetypen

30 © Prof. Dr. H. Gläser, Künstliche Intelligenz Fragebeantwortung Frage: Gibt es ein Programm, das ein bestimmtes Integral mit Hilfe der Simpson-Regel berechnet ? (FRAGETYP Entex REFTEIL NIL FOKUS X SPEZIFIKATION ((SUB X Programm) (AGT Y X) (SUBA Y berechnen) (OBJ Y Z)(INSTR Y Simpson-Regel) (SUB Z Integral) (PROP Z bestimmt))) Fragebeantwortung = Suche nach gleichen Teilstrukturen in der Frage und im semantischen Netz

31 © Prof. Dr. H. Gläser, Künstliche Intelligenz Erzeugung eines Suchbaums Frageknoten: Konstanten in der Frage (Programm, berechnen,..) Fragezentren: Knoten, die in mehreren verschiedenen Suchpfaden auftreten Fragebeantwortung

32 © Prof. Dr. H. Gläser, Künstliche Intelligenz

33 informierte Suche: Bewertungskriterien durch Fragemuster geleitet (R K 1 K 2 ) Kante Relation } Kante des SN == Tripel der Frage --> Tripel verifiziert // hohe Bewertung Jeder Knoten des Suchbaums enthält - noch zu verifiierendes Fragemuster, - Liste der Variablenersetzungen die schon gemacht wurden

34 © Prof. Dr. H. Gläser, Künstliche Intelligenz Was, wenn zwei Pfade sich in einem Knoten des SN (semantisches Netz) kreuzen ? --> Fragzentrum. Gibt zwei Knoten im Suchbaum (da unterschiedliches noch zu verifizierendes Fragemuster) Fragezentern haben hohe Bewertung.

35 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden parametrisiertes Individuum Prototyp Mengen Kardinalitäten Mengenrelationen präextensional intensional

36 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden Das Referenzproblem Peter sah gestern den neuen Lehrer einzigartiges Objekt der Realität Peter kaufte sich ein neues Fahrrad logische Variable, deren Belegung offen ist (parametrisiertes Individuum) Peter hat noch nie einen Yeti gesehen auch die Existenz eines entsprechenden Objekts bleibt offen

37 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > Frames Frame bestimmte Entität (Objekt, Sachverhalt, Ereignis) oder Klasse von Entitäten beschrieben durch Merkmals-Wert Paare SlotsFiller Frames können in Hierarchien angeordnet werden untergeordnete Frames erben von übergeordneten Frames (sog. MEMBER-) Slots und Werte. OWN Slots werden nicht vererbt

38 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > Frames Frame KEE: Knowledge Engineering Environement Programm von Intellicorp als Wissensrepräsentationsmethode

39 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > Frames Vererbung Speicher sparen Zeit sparen Redundanz vermeiden V S1S1 S2S2 S3S3 S 31 p: w p Merkmal u,w Werte p: w SAME p: {u,w} UNION p: u OVERRIDE p: u

40 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Strukturierte Vererbungsnetze Repräsentierung von Wissen in Form von Begriffen (Konzepte) Beziehungen zwischen den Begriffen Klassifikation der Begriffe Erklärung Unterschied zu Kognitiven Semantischen Netzen ?

41 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN generische Konzepte individuelle Konzepte Klassen Individuum, Instanz Mann Peter Unterbegriff - Oberbegriff - Klassenhierarchien

42 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Objekt LebewesenGegenstand Gebäude Hörsaal Bibliothek FH-Gebäude Mensch FrauMannAngestellter MitarbeiterinMitarbeiter... Wer fällt aus der Reihe ?

43 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Rollen = 2 stellige Relationen Rollen sind gekennzeichnet durch : Wertebereich: eigentlich eher Typ Raum v/r Konzept: Ausbildungsort Rolle: Lehr- veranstaltung v/r value restriction Der Raum nimmt gegenüber der Lehrveranstaltung (Richtung Pfeil!) die Rolle eines Ausbildungsorts an Der Wertebereich ist die Menge aller Räume.

44 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Kardinalität: Anzahl der Rollen, mit gleichem Wertebereich und Namen (n 1,n 2 ) : n 1 Minimum, n 2 Maximum der Anzahl der Rollen

45 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Lehr- veranstaltung Raum Hörsaal Seminar- raum SeminarAssistent ProfessorVorlesung Person Lehrstoff Ausbildungsort v/r Inhalt Lehrender Lernender (1,NIL) (1,3) (1,1) (1,NIL)

46 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Beziehungen zwischen Rollen Subsumption zwischen KonzeptenUnterordnung zwischen Rollen Ein subsumptiertes Konzept spiele eine Rolle: Diese Rolle ist eine Restriktion der Rolle des oberen Konzepts wenn sie gleich heißt und wenn sie die Wertebeschränkung des oberen Konzepts sowie die Kardinalitätsbeschränkungen erfüllt.

47 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Beziehungen zwischen Rollen Beispiel: Lehr- veranstaltung Raum HörsaalVorlesung Ausbildungsort v/r (1,1) (1,NIL) restricts

48 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Beziehungen zwischen Rollen Differenzierung Lehrstoff Lehr- veranstaltung kombinierte Lehrveranstaltung Inhalt v/r (2,nil) (1,NIL) restricts Kernthema Übung (1,nil) diffs Man beachte: (2,nil) bei restrict Inhalt aber (1,nil) bei differenzierten Rollen

49 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Individuelle Konzepte sowas wie Instanzen der generischen Konzepte (Objekte der Klassen) neue Rollentypen zwischen individuellen Konzepten I - Rolle (individuelle Rolle) verknüpft eine Instanz mit einer weiteren Instanz werden von generischer Rolle abgeleitet (satisfies) keine Werteinschränkung sondern konkreter Wert P - Rolle (bestimmter Rollensatz) verknüpft eine Instanz mit der Menge der aktuellen Instanzen, die die Rolle erfüllen (NICHT potentiell möglich Instanzen, wie bei generischen Rollen) werden von generischer Rolle abgeleitet (partic.)

50 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Beispiel: Person Lehr- veranstaltung Vorlesung KI Lehrender v/r satisfies Prof. Meier val Teilnehmer Vorlesung KI v/r (1,1) (1,NIL) partic. v/r

51 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Sachverhaltsbeschreibungen (A-Box) ausgelassen (KE 5 S. 48)

52 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Klassifizierung Wie fügt man eine neues Konzept in das Netz ein ?? = Finden des speziellsten übergeordneten Konzepts

53 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Lehr- veranstaltung mit 80 Teilnehmern und 1 Professor Person Lehr- veranstaltung Vorlesung Lehrender v/r restricts Professor v/r (1,1) (1,NIL) v/r Teilnehmer (1,NIL) restricts (80,80) (1,1) v/r restricts falsch klassifiziert Lehrveranstaltung ist nicht das speziellste übergeordnete Konzept

54 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Lehr- veranstaltung mit 80 Teilnehmern und 1 Professor Person Lehr- veranstaltung Vorlesung Lehrender v/r restricts Professor v/r (1,1) (1,NIL) v/r Teilnehmer (1,NIL) restricts (80,80) (1,1) v/r

55 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Algorithmus zum Einfügen eines definierten Konzepts X+ unter das speziellste Oberkonzepts SOK primitive Konzepte = Konzepte, die nicht vollständig spezifiziert (Baum, Zitrone,...) definierte Konzepte = Konzepte werden unter Bezugnahme auf primitive Konzepte definiert (Jungeselle = unverheirateter, erwachsener Mann) durch + gekennzeichnet

56 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN Man benötigt eine Funktion SOK(X+, W) die eine Menge C s liefert, die in dem Netzteilbaum mit Wurzel W die SOK zu X+ bilden d.h. für alle C aus C s gilt: C subsumiert X+ es gibt kein definiertes Konzept C mit C subsumiert C und C subsumiert X+

57 © Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden > SVN 1. Schritt 1.1 Setze C s = leere Menge 1.2 Ermittle spezifischstes primitives Konzept W in der Definition von X+ mit W subsumiert X+ 1.3 Setze C s = C s vereinigt mit SOK(W, X+) 1.4 Falls W keine übergeordneten Knoten hat: fertig 1.5 Setze W := spezifischstes primitives Konzept, das W strikt subsumiert (Hochsteigen im Netz zu anderen Netzteilen) Weiter bei Schritt von X+ zu jedem C aus C s eine Subsumptionsbeziehung einschließlich Rollenrestriktionen eintragen


Herunterladen ppt "© Prof. Dr. H. Gläser, Künstliche Intelligenz Wissensrepräsentationsmethoden natürlich sprachliche Beschreibung logisch formale Darstellung KI Wissensrepräsentation,"

Ähnliche Präsentationen


Google-Anzeigen