0 Informatik, Informationswissenschaft, allgemeine Werke
Refine
Document Type
- Working Paper (3) (remove)
Language
- German (3)
Has Fulltext
- yes (3)
Keywords
- Autonomes Fahren (1)
- C++ (1)
- ChatBot (1)
- Collaborative Filtering (1)
- Computerspiel (1)
- Empfehlungssystem (1)
- Falsifizierung (1)
- Gesichtserkennung (1)
- Item-based (1)
- Kollaborative Filterung (1)
Diese Arbeit falsifiziert den Laplaceschen Dämon mit Hilfe eines Computerspiels. Das Spiel ist in der Programmiersprache C++ implementiert und basiert auf deterministischen Regeln. Es führt auf dem verarbeitenden Rechner zu einem probabilistischen Ergebnis. Geht man davon aus, dass der Laplacesche Dämon seinen schnellsten Rechner zur Ausführung des Spiels nutzt, oder es selbst ausführt, kann er die Ergebnisse nicht zu jedem Zeitpunkt vorhersagen. Da der Laplacesche Dämon dadurch definiert ist, dass er die Zukunft vollständig vorhersehen kann, ist er durch das Spiel widerlegt.
Künstliche Intelligenz
(2018)
Dieses Arbeitspapier wurde von Studierenden der Fakultät Betriebswirtschaft im Rahmen eines Seminars zur Künstlichen Intelligenz erarbeitet. Darin entwickeln die Studierenden einen historischen Überblick über das Feld der Künstlichen Intelligenz, wichtige Fachgebiete und stellen dann aktuelle Anwendungen wie Gesichts- oder Spracherkennung und autonomes Fahren vor. Außerdem dokumentieren die Studierenden ihre eigenen Erfahrungen in der Erstellung eines ChatBots, der auf Verfahren der künstlichen Intelligenz mithilfe von IBM Watson erstellt wurde.
Mit dem rapiden Wachstum der Informationstechnologie zum Anfang des 21. Jahrhunderts und der damit verbundenen starken Zunahme der Datenmenge, ist Software zum Filtern und Auffinden von relevanten Informationen unverzichtbar geworden. Gerade für Unternehmen, deren Geschäftsmodell auf digitalisierten Unternehmensprozessen beruht, ist es essenziell dem jeweiligen Kunden automatisiert passende Produkte anzubieten. Recommenderalgorithmen befassen sich genau mit dieser Problemstellung und versuchen Produktempfehlungen für Kunden möglichst gut zu personalisieren.
Die bislang vorliegenden Veröffentlichungen beschreiben Recommenderalgorithmen lediglich in groben Zügen. Der vorliegende Artikel befasst sich daher mit der didaktischen Aufarbeitung zweier grundlegender Algorithmen und bietet einen transparenten und allgemein verständlichen Zugang zu diesem Thema. Die beiden Algorithmen werden anhand eines durchgängigen Beispiels von der Berechnung der Ähnlichkeitsmaße bis zur Erstellung der Empfehlungsrangliste illustriert. Darüber hinaus wird eine Methodik vorgestellt, um die Empfehlungsqualität im Rahmen von Simulationsstudien mit ROC-Kurven zu evaluieren.