Logo des Repositoriums

Auflistung nach Autor:in "Borgelt, Christian"

1 - 3 von 3
  • Zeitschriftenartikel
    Bedeutung von Zugehörigkeitsgraden in der Fuzzy-Technologie
    (Informatik-Spektrum: Vol. 38, No. 6, 2015) Borgelt, Christian; Kruse, Rudolf
    Der Begriff der Fuzzy-Menge erweitert den klassischen Begriff der Menge, sodass man für betrachtete Objekte nicht nur (in einer Menge) ,,enthalten“ und ,,nicht enthalten“ angeben, sondern Grade der Zugehörigkeit unterscheiden kann. Während das nur zweiwertige (Nicht-)Enthaltensein unmittelbar verständlich ist, stellt sich bei dazwischenliegenden Zugehörigkeitsgraden die Frage, was sie bedeuten. Wir geben daher in diesem Aufsatz einen kurzen Überblick über die vier am weitesten verbreiteten Ansätze, Fuzzy-Zugehörigkeitsgraden eine (präzise) Bedeutung zuzuordnen: 1. als Ähnlichkeit zu Referenzwerten, 2. als Ausdruck von Präferenz, 3. als bedingte Wahrscheinlichkeit (likelihood) und 4. als Möglichkeitsgrad (degree of possibility). Wir diskutieren die Voraussetzungen und Ausdrucksmöglichkeiten dieser vier Interpretationen und untersuchen, in welchen Anwendungsbereichen sie jeweils am nützlichsten sind, wobei wir in einigen Fällen Beispielanwendungen erwähnen.
  • Textdokument
    Data mining with graphical models
    (Ausgezeichnete Informatikdissertationen 2000, 2003) Borgelt, Christian
    Data Mining, oder auch Wissensentdeckung in Datenbanken, ist ein noch recht junges Forschungsgebiet, das als Antwort auf die Datenflut entstanden ist, der wir uns heute gegenübersehen. Es widmet sich der Herausforderung, Techniken zu entwickeln, die Menschen helfen können, nützliche Muster in ihren Daten zu finden. Eine dieser Techniken — und sicher eine der wichtigsten, da sie für so häufige Data-Mining-Aufgaben wie die Konstruktion von Klassifikatoren und die Abhängigkeitsanalyse eingesetzt werden kann — ist das Lernen von graphischen Modellen aus Datensätzen von Beispielfällen. In meiner Dissertation stelle ich die Idee der graphischen Modelle dar, wobei ich besonders auf die noch weniger bekannten possibilistischen Netze eingehe, für die ich eine bessere Semantik zu liefern versuche. Weiter untersuche ich die Prinzipien des Lernens graphischer Modelle aus Daten und bespreche verschiedene Algorithmen, die für diese Aufgabe vorgeschlagen wurden. Die wesentlichen Leistungen dieser Arbeit bestehen in Verbesserungen und Erweiterungen dieser Algorithmen: Ich schlage eine Projektionsmethode für datenbankinduzierte Possibilitätsverteilungen, einen naiv-Bayes-artigen possibilistischen Klassifikator und mehrere neue Bewertungsmaße und Suchmethoden vor.
  • Konferenzbeitrag
    Data Mining with Graphical Models
    (Umweltinformatik ’98 - Vernetzte Strukturen in Informatik, Umwelt und Wirtschaft - Computer Science for Environmental Protection ’98 - Networked Structures in Information Technology, the Environment and Business, 1998) Kruse, Rudolf; Borgelt, Christian
    The explosion of data stored in commercial or administrational databases calls for intelligent techniques to discover the patterns hidden in them and thus to exploit all available information. Therefore a new line of research has recently been established, which became known under the names "Data Mining" and "Knowledge Discovery in Databases". In this paper we study a popular technique from its arsenal of methods to do dependency analysis, namely learning inference networks (also called "graphical models") from data. We review the already well-known probabilistic networks and provide an introduction to the recently developed and closely related possibilistic networks.