Logo des Repositoriums

Auflistung nach Autor:in "Siebers, Michael"

1 - 3 von 3
  • Konferenzbeitrag
    Automatische Detektion von Trockenstress bei Tabakpflanzen mittels Machine-Learning-Verfahren
    (Informatik in der Land-, Forst- und Ernährungswirtschaft 2016, 2016) Siebers, Michael; Uhrmann, Franz; Scholz, Oliver; Stocker, Christoph; Schmid, Ute
    Dieser Beitrag befasst sich mit der Klassifikation der Vitalität von Pflanzen durch Ma- chine-Learning-Verfahren am Beispiel von Trockenstress bei Tabak (Nicotiana tabacum). Wir zeigen, dass Machine-Learning-Verfahren die menschliche Unterscheidung von gesunden und gestressten Pflanzen durch einen Experten nachbilden können und zudem, dass eine frühzeitige Erkennung von Pflanzenstress möglich ist, indem eine dritte Klasse für mäßig gestresste Pflanzen eingeführt wird. Zur Klassifikation werden Entscheidungsbaumverfahren, Support Vector Ma- chine, künstliche Neuronale Netze und Lineare Regression verglichen. Im Beitrag wird schwerpunktmäßig die Auswahl der Merkmale beschrieben, die für eine zuverlässige Klassifikation notwendig sind. Da die Experteneinschätzung weniger auf Einzelkriterien als vielmehr auf dem Ge- samteindruck des Pflanzenphänotyps basiert, stellt sich die Frage, welche relevanten Merkmale ein automatisches Diagnose-System berücksichtigen muss. Es hat sich herausgestellt, dass neben blattspezifischen Merkmalen auch Merkmale, die sich auf die Gesamtpflanze beziehen, für die Klassifikation relevant sind.
  • Journal
    Please delete that! Why should I?
    (KI - Künstliche Intelligenz: Vol. 33, No. 1, 2019) Siebers, Michael; Schmid, Ute
  • Zeitschriftenartikel
    Transfer of Domain Knowledge in Plan Generation: Learning Goal-dependent Annulling Conditions for Actions
    (KI - Künstliche Intelligenz: Vol. 28, No. 1, 2014) Siebers, Michael
    In this paper we present an approach to avoid dead-ends during automated plan generation. A first-order logic formula can be learned that holds in a state if the application of a specific action will lead to a dead-end. Starting from small problems within a problem domain examples of states where the application of the action will lead to a dead-end will be collected. The states will be generalized using inductive logic programming to a first-order logic formula. We will show how different notions of goal-dependence could be integrated in this approach. The formula learned will be used to speed-up automated plan generation. Furthermore, it provides insight into the planning domain under consideration.