Die Extraktion von verwertbarem Wissen aus Daten gewinnt aufgrund umfangreicher Datenbestände in Wirtschaft, Wissenschaft und Verwaltung zunehmend an Bedeutung. Die meist aus der Statistik, dem Maschinellen Lernen und dem Soft Computing stammenden Verfahren des Data Mining stellen den operationellen Kern dieses als "Knowledge Discovery in Databases (KDD)" bezeichneten Prozesses dar.
Graphische Modelle bieten einen normativen Ansatz der Wissensrepräsentation, des evidentiellen Schließens und des Decision Supports unter Unsicherheit und bedingter Unabhängigkeit, wie er für unterschiedlichste Aufgaben in wissensbasierten Systemen, Diagnostik, Datenanalyse, Planungssystemen und Control benötigt wird. Während Bayes-Netze und Markov-Netze seit einigen Jahren bekannt sind, ist das junge Gebiet der possibilistischen graphischen Mo-
dellierung eine vielversprechende Alternative, wenn Komplexitätsprobleme der gemeinsamen Handhabung von Unsicherheit und Nichtpräzision durch fundierbares approximatives Schließen umgangen werden müssen.
Der Vortrag spricht aktuelle Forschungsresultate und konkrete Anwendungen possibilistischer graphischer Modelle an. Aus theoretischer Sicht geht es um die Semantik von Possibilitätsverteilungen, possibilistische bedingte Unabhängigkeitsgraphen, Faktorisierbarkeit, Dekomposition, Propagation und insbesondere die im Sinne des Data Mining wichtige Induktion
possibilistischer graphischer Modelle aus Datenbanken von (nicht-präzisen)Fallbeispielen.
Einladung zum Kolloquium des Fachbereichs Informatik
Am Freitag, den 26. Juni 1998, spricht um 14:30 Uhr in Hörsaal 001, Gebäude 45
Herr PD Dr. habil. Jörg Gebhardt
Institut für Betriebssysteme und Rechnerverbund
Technische Universität Braunschweig
über das Thema:
Data Mining mit possibilistischen graphischen Modellen
Abstract:
Die Extraktion von verwertbarem Wissen aus Daten gewinnt aufgrund umfangreicher Datenbestände in Wirtschaft, Wissenschaft und Verwaltung zunehmend an Bedeutung. Die meist aus der Statistik, dem Maschinellen Lernen und dem Soft Computing stammenden Verfahren des Data Mining stellen den operationellen Kern dieses als "Knowledge Discovery in Databases (KDD)" bezeichneten Prozesses dar.
Graphische Modelle bieten einen normativen Ansatz der Wissensrepräsentation, des evidentiellen Schließens und des Decision Supports unter Unsicherheit und bedingter Unabhängigkeit, wie er für unterschiedlichste Aufgaben in wissensbasierten Systemen, Diagnostik, Datenanalyse, Planungssystemen und Control benötigt wird. Während Bayes-Netze und Markov-Netze seit einigen Jahren bekannt sind, ist das junge Gebiet der possibilistischen graphischen Mo-
dellierung eine vielversprechende Alternative, wenn Komplexitätsprobleme der gemeinsamen Handhabung von Unsicherheit und Nichtpräzision durch fundierbares approximatives Schließen umgangen werden müssen.
Der Vortrag spricht aktuelle Forschungsresultate und konkrete Anwendungen possibilistischer graphischer Modelle an. Aus theoretischer Sicht geht es um die Semantik von Possibilitätsverteilungen, possibilistische bedingte Unabhängigkeitsgraphen, Faktorisierbarkeit, Dekomposition, Propagation und insbesondere die im Sinne des Data Mining wichtige Induktion
possibilistischer graphischer Modelle aus Datenbanken von (nicht-präzisen)Fallbeispielen.
Interessenten/innen sind zum Vortrag herzlich eingeladen.