🚀 go-pugleaf

--------------------------------------------------------------------------

                                                      K        K  I
F O R S C H U N G S K O L L O Q U I U M               KK     KK   II
                                                      KKK  KKK    III
im Sommersemester 1999                                KKK KKK     III
                                                      KKKKKK      III
                                                      KKK  KKK    III
                                                      KKK   KKK   III
                                                      KK      KK   II
                                                      K         K   I
Dienstag, den 11. Mai 1999
16.00 - 18.00 Uhr
Raum  FR 0041
Franklinstr. 28/29
D-10587 Berlin
--------------------------------------------------------------------------

LERNVERFAHREN ZUR ENTSCHEIDUNG NUMERISCHER CONSTRAINTS ALS BEISPIEL FÜR
                        LERNEN DURCH EXPLORATION II 

        Matthias Lehmann, Christian Mattick und Thomas Miehe (TU Berlin)

In diesem Vortrag geht es um die Behandlung der Erfüllbarkeit von numerischen 
Constraints mit maschinellen Lernverfahren. Im ersten Vortrag (am 4.5.) zu 
diesem Thema wurde erläutert, wie numerische Constraints mit Hilfe von 
neuronalen Netzen gelernt werden können. Eine andere prinzipielle Idee zur 
Lösung dieses Problem durch Lernverfahren basiert auf der Konstruktion eines 
Entscheidungsbaumes. Dabei ermöglicht die im Baum enthaltene Information  
Ansätze zur Verbesserung der gelernten Entscheidungsfunktion.

Wir haben das Verfahren CAL5 auf verschiedene Zwei-Klassen-Probleme angewendet.
CAL5 liefert Entscheidungsbäume, die die Trainingsmenge näherungsweise in zwei
Klassen unterteilt. Unser grundlegender Gedanke war nun, die einmal gelernte 
Entscheidungsfunktion durch sukzessives Nachtrainieren zu verfeinern. Dazu 
haben wir Verfahren gesucht, die Aufschluß darüber geben können, an welchen 
Stellen die Klassifizierungsfunktion noch besser der realen Klassengrenze 
angenähert werden kann. An diesen kritischen Stellen wurden dann gezielt 
Trainingsdaten nacherzeugt. Der für diese Trainingsdaten gelernte Teilbaum 
wurde dann in den alten Baum substituiert, um hier den lokalen Klassifierungs-
fehler (und damit den Klassifizierungsfehler insgesamt) zu senken. Es werden 
theoretische Untersuchungen und experimentelle Resultate vorgestellt.

--------------------------------------------------------------------------

TU Berlin
FG Methoden der Künstlichen Intelligenz
Franklinstr. 28/29, FR 5-8
10587 Berlin

--------------------------------------------------------------------------
--------------------------------------------------------------------------
  Das aktuelle Kolloquiumsprogramm finden Sie im WWW unter 

                http://ki.cs.tu-berlin.de/col.html 
--------------------------------------------------------------------------
--------------------------------------------------------------------------
-- 
### Peter Geibel 
### TU Berlin, KI, Sekr. FR 5-8, Franklinstr. 28/29, D-10587 Berlin
### Tel. +49-30-314-25491, Fax +49-30-314-24913
### http://www.cs.tu-berlin.de/~geibel, mailto:geibel@cs.tu-berlin.de