Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2019 | OriginalPaper | Buchkapitel

1. Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens

verfasst von : Peter Buxmann, Holger Schmidt

Erschienen in: Künstliche Intelligenz

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Die ersten Forschungsansätze im Bereich Künstliche Intelligenz stammen aus den 1950er Jahren. Dieses Kapitel skizziert Meilensteine der KI-Forschung bis hin zu den modernen Entwicklungen des Maschinellen Lernens, die den Schwerpunkt dieses Buches darstellen. Grundlegende Verfahren des Maschinellen Lernens werden im zweiten Teil dieses Kapitels erläutert, insbesondere die Funktionsweise von Künstlichen Neuronalen Netzen. Dabei wird auch auf Limitationen moderner Algorithmen eingegangen.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Ökonomische Effekte der Künstlichen Intelligenz
Literatur
acatech, Hightech Forum. (2017). Fachforum autonome Systeme. Chancen und Risiken für Wirtschaft, Wissenschaft und Gesellschaft. Langversion, Abschlussbericht. Berlin.
Bishop, C. (2006). Pattern recognition and machine learning. New York: Springer.
Carbonell, J. G., et al. (1983). An Overview of Machine Learning. In R. S. Michalski, J. G. Carbonell, & T. M. Mitchell (Hrsg.), Machine Learning: An Artificial Intelligence Approach (S. 3–23). Palo Alto, Kalifornien, USA: TIOGA Publishing Co.
Dartmouth College. (1956). Summer research project on artificial intelligence (Vox of Dartmouth).
Franklin, S., & Graesser, A. (1997). Is It an agent, or just a program?: A taxonomy for autonomous agents. In J. Müller, M. J. Wooldridge, & N. R. Jennings (Hrsg.), Intelligent Agents III Agent Theories, Architectures, and Languages (S. 1193).
Fawcett, T., & Provorst, F. (1997). Adaptive fraud detection. Data Mining and Knowledge Discovery, 1(3), 291–316.CrossRef
Goertzel, B. (2010). Toward a formal characterization of real-world general intelligence. In E. Baum, M. Hutter, & E. Kitzelmann (Hrsg.), Proceedings of the 3rd Conference on Artificial General Intelligence, AGI (S. 19–24). Atlantis Press.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Cambridge: MIT Press.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2. Aufl.). New York: Springer.CrossRef
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. In Neural Information Processing Systems (NIPS), Proceeding. NIPS’12 Proceedings of the 25th International Conference on Neural Information Processing Systems – Volume 1 (S. 1097–1105). Lake Tahoe: Nevada.
Marsland, S. (2014). Machine learning: An algorithmic perspective. London: Taylor & Francis Inc.CrossRef
Mertens, P. (1985). Künstliche Intelligenz in der Betriebswirtschaft. In D. Ohse, A. C. Esprester, H.-U. Küpper, P. Stähly, & H. Steckhan (Hrsg.), DGOR. Operations research proceedings (S. 285–292). Berlin: Springer.
Mitchell, T. M. (1997). Machine learning. New York: McGraw-Hill.
Murphy, K. P. (2012). Machine learning: A probabilistic perspective. Cambridge: The MIT Press.
Newell, A., & Simon, H. (1958). Heuristic problem solving: The next advance in operations research. Operations Research, 6(1), 1–10.CrossRef
Nilsson, N. J. (2014). Principles of artificial intelligence. Palo Alto: Tioga Press.
Odagiri, H., Nakamura, Y., & Shibuya, M. (1997). Research consortia as a vehicle for basic research: The case of a fifth generation computer project in Japan. Research Policy, 26, 191–207.CrossRef
Pennachin, C., & Goertzel, B. (2007). Contemporary approaches to artificial general intelligence. In B. Goertzel & C. Pennachin (Hrsg.), Artificial General Intelligence: AGIRI – Artificial General Intelligence Research Institute (S. 1–28). Berlin: Springer.
Polanyi, M. (1966). The tecit dimension. Gloucester: Peter Smith.
Rey, G. D., & Wender, K. F. (2018). Neuronale Netze. Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung. Göttingen: Hogrefe Verlag GmbH & Co. KG.
Russel, S. J., & Norvig, P. (2010). Artificial intelligence: A modern approach. Eaglewood Cliffs: Prentice Hall Internationall Inc.
Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533–536.CrossRef
Saul, L. K., & Roweis, S. T. (2003). Think globally, fit locally: unsupervised learning of low dimensional manifolds. Journal of Machine Learning Research, 4, 119–155.
Searle, J. R. (1980). Minds, brains, and programs. The Behavioral and Brain Sciences, 3, 417–457.CrossRef
Shortlife, E. H., Davis, R., Axline, S. G., Buchanan, B. G., Green, C. C., & Cohen, S. N. (1975). Computer-based consultations in clinical therapeutics: Explanation and rule acquisition capabilities of the MYCIN system. Computers and Biomedical Research, 8, 303–320.CrossRef
Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., van den Driessche, G., et al. (2016). Mastering the game of go with deep neural networks and tree search. Nature, 529, 484–489.CrossRef
Metadaten
Titel
Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens
verfasst von
Peter Buxmann
Holger Schmidt
Copyright-Jahr
2019
Verlag
Springer Berlin Heidelberg
Buch
Künstliche Intelligenz

Print ISBN: 978-3-662-57567-3

Electronic ISBN: 978-3-662-57568-0

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-662-57568-0_1