Search (5 results, page 1 of 1)

  • × author_ss:"Czap, H."
  1. Czap, H.: Informationsspeicherung und -wiedergewinnung bei terminologischen Datenbanksystemen (1989) 0.00 
    0.0046691597 = product of:
  0.053695336 = sum of:
    0.023063222 = weight(_text_:und in 146) [ClassicSimilarity], result of:
      0.023063222 = score(doc=146,freq=6.0), product of:
        0.054376673 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.024534147 = queryNorm
        0.42413816 = fieldWeight in 146, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.078125 = fieldNorm(doc=146)
    0.030632112 = weight(_text_:im in 146) [ClassicSimilarity], result of:
      0.030632112 = score(doc=146,freq=4.0), product of:
        0.06935279 = queryWeight, product of:
          2.8267863 = idf(docFreq=7115, maxDocs=44218)
          0.024534147 = queryNorm
        0.44168535 = fieldWeight in 146, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          2.8267863 = idf(docFreq=7115, maxDocs=44218)
          0.078125 = fieldNorm(doc=146)
  0.08695652 = coord(2/23)
    Abstract
    In diesem Beitrag geht es im ersten Teil um die Begründung der Notwendigkeit, Datenbanksysteme zur Speicherung und Verwaltung hochkomplexer dynamischer Objekte zu haben. Im zweiten Teil werden dann erste kkonzeptionelle Überlegungen zur inhaltlichen Strukturierung eines derartigen terminologischen Datenbanksystems vorgestellt
    Source
    Klassifikation und Ordnung. Tagungsband 12. Jahrestagung der Gesellschaft für Klassifikation, Darmstadt 17.-19.3.1988. Hrsg.: R. Wille
  2. Czap, H.: Theorienbildung mittels Künstlich Neuronaler Netze vom Typ MLP (2000) 0.00 
    0.0029256963 = product of:
  0.033645507 = sum of:
    0.014887244 = weight(_text_:und in 6661) [ClassicSimilarity], result of:
      0.014887244 = score(doc=6661,freq=10.0), product of:
        0.054376673 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.024534147 = queryNorm
        0.27378 = fieldWeight in 6661, product of:
          3.1622777 = tf(freq=10.0), with freq of:
            10.0 = termFreq=10.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0390625 = fieldNorm(doc=6661)
    0.018758262 = weight(_text_:im in 6661) [ClassicSimilarity], result of:
      0.018758262 = score(doc=6661,freq=6.0), product of:
        0.06935279 = queryWeight, product of:
          2.8267863 = idf(docFreq=7115, maxDocs=44218)
          0.024534147 = queryNorm
        0.27047595 = fieldWeight in 6661, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.8267863 = idf(docFreq=7115, maxDocs=44218)
          0.0390625 = fieldNorm(doc=6661)
  0.08695652 = coord(2/23)
    Abstract
    Künstlich Neuronale Netze (KNN) vom Typ Multi-Layer-Perceptron (MILP) erlauben nach herrschender Literaturmeinung nicht, den Knoten der verborgenen Schicht eine spezifische Semantik zuzuordnen. Dieser Ansicht wurde vom Autor in [Czap 96] widersprochen. Danach kann die Clusterbildung der ersten verborgenen Schicht eines nachfolgend fehlerfreien Netzes einer spezifischen Interpretation zugänglich sein. An dem "Two-or-more-Clumps"-Problem, einem numerischen Beispiel, wird in Grundzügen ein Konstruktionsverfahren zur Bildung von KNNs angegeben, deren erste verborgene Schicht interpretiert werden kann, d.h. inhaltliche Relevanz besitzt. Im Sinne eines "Knowledge Discovery" wird an diesem Beispiel illustriert, dass KNN in der Lage sind, die in der Input-Output-Beziehung eines vorliegenden Datensamples implizit vorhandene Gesetzmäßigkeit zu erkennen und in eine dem menschlichen Verständnis zugängliche Repräsentation zu überführen. Zentraler Ansatzpunkt zur Ableitung der die Input-Output-Beziehung verursachenden Gesetzmäßigkeit ist die Bildung von Klassifizierungen im Merkmalsraum, wobei die entstehenden Cluster unmittelbar interpretierbar sind. Als eine zentrale Aufgabe von Wissensordnungen wird häufig die Unterteilung vorliegender Phänomene in geeignete Klassen verstanden. Dieser Beitrag zeigt, dass Klassenbildungen, die nach rein numerischen Gesichtspunkten mittels eines KNN erfolgen, unter gewissen Bedingungen - entscheidend sind Minimalität sowie nachfolgende Fehlerfreiheit des Netzes - durch den Menschen interpretierbar sind und somit einen wichtigen Beitrag zu einer Theorienbildung leisten können, auch wenn die Gesetzmäßigkeit, die die Input-Output-Beziehung verursacht, nicht bekannt ist. Vermutet wird, dass beliebige Verfahren zur Erstellung von KNN immer dann zu Clusterungen der Merkmalssätze im Input-Raum fuhren, die inhaltliche Aussagen gestatten, wenn die Anzahl der entstehenden Cluster minimal ist und mögliche Abbildungsfehler ausschließlich durch die Clusterbildung bedingt sind
    Source
    Globalisierung und Wissensorganisation: Neue Aspekte für Wissen, Wissenschaft und Informationssysteme: Proceedings der 6. Tagung der Deutschen Sektion der Internationalen Gesellschaft für Wissensorganisation Hamburg, 23.-25.9.1999. Hrsg.: H.P. Ohly, G. Rahmstorf u. A. Sigel
  3. Czap, H.: Einführung in Wissensorganisation und Case-Based Reasoning (1996) 0.00 
    0.0010356345 = product of:
  0.023819594 = sum of:
    0.023819594 = weight(_text_:und in 186) [ClassicSimilarity], result of:
      0.023819594 = score(doc=186,freq=10.0), product of:
        0.054376673 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.024534147 = queryNorm
        0.438048 = fieldWeight in 186, product of:
          3.1622777 = tf(freq=10.0), with freq of:
            10.0 = termFreq=10.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=186)
  0.04347826 = coord(1/23)
    Abstract
    CBR ist eng gekoppelt mit Lernen, verstanden als Anreicherung von Wissen. Wissen wird unterteilt in Faktenwissen und Handhabungs-/Orientierungswissen. Letzteres verfügbar zu haben wird als primäres Ziel von Lernen und damit auch von CBR herausgearbeitet. Die Übertragbarkeitsproblematik, d.h. die Nutzung von gespeichertem Erfahrungswissen (alte Fälle und ihre Lösungen) zur Lösung neuer Problemstellungen wird an einem eingängigen Beispiel (Dunckers Bestrahlungsproblem illustriert). Abschließend wird der CBR-Zyklus kurz vorgestellt
    Source
    Analogie in der Wissensrepräsentation: Case-Based Reasoning und räumliche Modelle. 4. Tagung der deutschen Sektion der Internationalen Gesellschaft für Wissensorganisation, Trier, 17.-20. Oktober 1995. Hrsg.: H. Czap u.a
  4. Czap, H.: Informationsverarbeitung bei Homonymie und Synonymie der Unternehmensdaten (1992) 0.00 
    9.2629966E-4 = product of:
  0.021304892 = sum of:
    0.021304892 = weight(_text_:und in 1358) [ClassicSimilarity], result of:
      0.021304892 = score(doc=1358,freq=8.0), product of:
        0.054376673 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.024534147 = queryNorm
        0.39180204 = fieldWeight in 1358, product of:
          2.828427 = tf(freq=8.0), with freq of:
            8.0 = termFreq=8.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0625 = fieldNorm(doc=1358)
  0.04347826 = coord(1/23)
    Abstract
    Der Prozeß einer Erfassung und Modellierung von Informationsbedürfnissen in Wirtschaftsunternehmen oder Verwaltungen gestaltet sich nach derzeitigem Verständnis in sequentiell abzuarbeitenden Phasen. Danach sind zunächst die Anforderungen an ein Informationssystem festzustellen, aus dem sich die unternehmensweit benötigten Informationskategorien ableiten, das sog. Datenmodell. Dieses besteht aus einer Klassifizierung real interessierender betrieblicher Objekte und ihrer Beziehungen
    Source
    Kognitive Ansätze zum Ordnen und Darstellen von Wissen. 2. Tagung der Deutschen ISKO Sektion einschl. der Vorträge des Workshops "Thesauri als Werkzeuge der Sprachtechnologie", Weilburg, 15.-18.10.1991
  5. Czap, H.: Erkennen durch künstliche Systeme (2013) 0.00 
    7.0192415E-4 = product of:
  0.016144255 = sum of:
    0.016144255 = weight(_text_:und in 934) [ClassicSimilarity], result of:
      0.016144255 = score(doc=934,freq=6.0), product of:
        0.054376673 = queryWeight, product of:
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.024534147 = queryNorm
        0.2968967 = fieldWeight in 934, product of:
          2.4494898 = tf(freq=6.0), with freq of:
            6.0 = termFreq=6.0
          2.216367 = idf(docFreq=13101, maxDocs=44218)
          0.0546875 = fieldNorm(doc=934)
  0.04347826 = coord(1/23)
    Abstract
    Ziel des Beitrags ist die Konstruktion eines künstlichen Systems, dem die Eigenschaft "erkennen zu können" zuzuschreiben ist. Dazu ist es einleitend erforderlich, den Begriff "Erkennen" bei autopoietischen und selbstreferentiellen Systemen zu präzisieren. Er wird auf systemischer Ebene als äquivalent zur Selbstorganisation gedeutet, die auf der Ebene des externen Beobachters beobachtbar und interpretierbar ist. In Anlehnung an naturanaloge Verfahren wird eine Architektur für sich selbstorganisierende Systeme entwickelt, deren Umsetzung am konkreten Beispiel demonstriert wird. Dies verdeutlicht, wie der Prozess der Selbstorganisation "Erkennen" ermöglicht und dass die Interpretation durch den Menschen eine qualitative Dimension beinhaltet, die auf einer übergeordneten Ebene stattfindet.

Years

Themes