Search (4 results, page 1 of 1)

0.05494162 = product of:
  0.2747081 = sum of:
    0.2747081 = weight(_text_:algorithmus in 5127) [ClassicSimilarity], result of:
      0.2747081 = score(doc=5127,freq=12.0), product of:
        0.35420755 = queryWeight, product of:
          7.1642876 = idf(docFreq=92, maxDocs=44218)
          0.049440723 = queryNorm
        0.77555686 = fieldWeight in 5127, product of:
          3.4641016 = tf(freq=12.0), with freq of:
            12.0 = termFreq=12.0
          7.1642876 = idf(docFreq=92, maxDocs=44218)
          0.03125 = fieldNorm(doc=5127)
  0.2 = coord(1/5)

Abstract

Der Computer ist ein Gerät, das Algorithmen ausführt, d.h. Folgen einfacher Befehle, Das Charakteristische an einem Algorithmus ist, dass all' seine qualitativen Eigenschaften im Voraus geplant und ausprobiert sind, so dass während seiner Ausführung keine Ideen benötigt werden, keine qualitativen Fragen offen sind und keine Überraschungen vorkommen. Nur quantitative Entscheidungen müssen getroffen werden (z.B. "Nimm die nächste Ziffer und addiere sie zum Ergebnis!"). Genau diese Eigenschaft hat Alan Turing dazu geführt, Algorithmen als Maschinen zu formulieren. Es gibt eine sehr klare Trennung zwischen dem qualitativen und quantitativen Aspekt eines Algorithmus: Ersterer wird vom menschlichen Geist erfunden und als Regel formuliert, letzterer hat mit den Daten zu tun, die von den Regel bearbeitet werden. Die Regeln wirken niemals auf ihre eigene Struktur zurück. Wenn man sich bei der Betrachtung auf die äußerlich sichtbare Struktur von Algorithmen beschränkt, lässt man wichtige verborgene Aspekte außer Acht: Die Semantik, die den Symbolen Substanz, Bedeutung und Interpretation verleiht und auf Grund derer entschieden werden kann, ob die Regeln und Operationen überhaupt sinnvoll sind; Theologie, d.h. Motivation, Ziele, Werte, Ästhetik und Anwendbarkeitsbetrachtungen; und Heuristik, d.h. Methoden zur Erfindung neuer Strukturen. All' diese verborgenen Aspekte sind von der expliziten Betrachtung ausgeschlossen und sind doch wesentliche Bestandteile der Strukturen, für die explizite Algorithmen nur die sichtbare Oberfläche darstellen, Wenn man sich mit Algorithmen beschäftigt, hat man die Wahl, entweder nur die expliziten Strukturen zu betrachten - ein Blickpunkt, der im Kontext der Mathematik angemessen ist - oder auch die verborgenen Aspekte zu berücksichtigen und die Situation umfassend zu behandeln. Wenn man sich mit dem Gehirn und seiner Funktion befasst, ist letzteres Vorgehen zwingend. Verschiedene Probleme erwachsen der gegenwärtig vorherrschenden Auffassung, das Gehirn könne als algorithmisch gesteuerte Maschine verstanden werden. Erstens wäre ein "Hirnalgorithmus", d.h. eine vollständige und detaillierte Beschreibung der Funktionsweise des Gehirns, prinzipiell zu kompliziert, um für Menschen handhabbar oder zur Mitteilung von Wissen über unseren Geist geeignet zu sein. Zweitens lässt die algorithmische Auffassung die Frage offen, woher der Algorithmus eigentlich komme. Die naheliegende Antwort, dass er von der Evolution entwickelt wurde, verbietet sich, weil der Algorithmus viel zu kompliziert wäre, um über die Gene von Generation zu Generation weitergegeben zu werden, und weil die Evolution keinesfalls Prozeduren entwickelt haben kann, die für so neuartige Ideen wie Mathematik oder Chemie geeignet wären. Ein drittes Problem ist, dass sich das Gehirn offensichtlich selbst modifiziert, wenn es neue Ideen entwickelt, Dies widerspricht deutlich dem algorithmischen Denkansatz, der fordert, dass alle qualitativen Aspekte vorausgeplant sein müssen. Ein viertes Problem ist die Tatsache, dass der algorithmische Ansatz eine klare Abtrennung der Heuristik und der Teleologie vom expliziten Algorithmus fordert. Zusammengefasst wäre es lächerlich, die Arbeitsweise unseres Gehirns mit der Ausführung eines Algorithmus zu identifizieren.

0.03926249 = product of:
  0.19631244 = sum of:
    0.19631244 = weight(_text_:3a in 76) [ClassicSimilarity], result of:
      0.19631244 = score(doc=76,freq=2.0), product of:
        0.419159 = queryWeight, product of:
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.049440723 = queryNorm
        0.46834838 = fieldWeight in 76, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          8.478011 = idf(docFreq=24, maxDocs=44218)
          0.0390625 = fieldNorm(doc=76)
  0.2 = coord(1/5)

Source

http%3A%2F%2Fcogprints.org%2F1380%2F1%2FvdM_correlation.pdf&usg=AOvVaw0g7DvZbQPb2U7dYb49b9v_

0.03172056 = product of:
  0.15860279 = sum of:
    0.15860279 = weight(_text_:algorithmus in 4966) [ClassicSimilarity], result of:
      0.15860279 = score(doc=4966,freq=4.0), product of:
        0.35420755 = queryWeight, product of:
          7.1642876 = idf(docFreq=92, maxDocs=44218)
          0.049440723 = queryNorm
        0.44776797 = fieldWeight in 4966, product of:
          2.0 = tf(freq=4.0), with freq of:
            4.0 = termFreq=4.0
          7.1642876 = idf(docFreq=92, maxDocs=44218)
          0.03125 = fieldNorm(doc=4966)
  0.2 = coord(1/5)

Abstract

"Die Grundidee der künstlichen Intelligenz, die in den 50er-Jahren aufgekommen ist, war folgende: Der Experimentator schaut sich ein Phänomen, wie beispielsweise Schachspielen, an und überlegt, wie es funktioniert. Diese Funktionsidee setzt er dann in einen Algorithmus um, um schließlich sagen zu können, der Computer sei intelligent. In Wirklichkeit ist es natürlich nur eine Projektion, denn die Intelligenz sitzt nicht im Computer, sondern im Kopf des jeweiligen Programmierers. Man war damals auch der Meinung, dass man auf diese Weise Sprache verstehen könne. Dafür hätte man dann eine universelle Grammatik etwa der englischen Sprache formulieren und in einen Algorithmus gießen müssen. Dabei hat sich aber herausgestellt, dass sich Sprache nicht durchgängig an Regeln hält. Im Extremfall ist es sogar so, dass jedes Wort um sich herum sein eigenes Regelwerk verbreitet. Inzwischen weiß man, dass man gewaltige statistikbasierte Datenbanken braucht, um Sprache verarbeiten zu können. So wurde langsam klar, dass sich die Aufmerksamkeit des Programmierers von den Anwendungsvorgängen auf die Organisationsmechanismen zurückziehen muss, durch die Daten aufgenommen und verarbeitet werden. Was kann man dafür vom Gehirn lernen? Im Gehirn ist bei Geburt das Organisationsprinzip festgelegt, mit dessen Hilfe die Struktur der Umwelt verarbeitet werden kann, das heißt nicht mehr, als dass wir auf eine bestimmte Weise die Regelmäßigkeiten der Welt absorbieren. Wenn man sich darauf einlässt, muss man aber auch damit leben, dass der Computer nicht unfehlbar ist. So wie es Alan Turing ausdrückte: »If you want a computer to be infallible you can not ask it to be intelligent as well«. (Wenn man möchte, dass ein Computer unfehlbar ist, darf man nicht zugleich von ihm verlangen, dass er auch intelligent sei.) Wenn man Intelligenz haben möchte, dann muss man auch dieses heuristische Spielchen spielen wollen. Dann kann man gar nicht mehr davon reden, dass der Computer genau das macht, wofür der Programmierer ihn programmiert hat.

0.008038242 = product of:
  0.04019121 = sum of:
    0.04019121 = weight(_text_:22 in 73) [ClassicSimilarity], result of:
      0.04019121 = score(doc=73,freq=2.0), product of:
        0.17313299 = queryWeight, product of:
          3.5018296 = idf(docFreq=3622, maxDocs=44218)
          0.049440723 = queryNorm
        0.23214069 = fieldWeight in 73, product of:
          1.4142135 = tf(freq=2.0), with freq of:
            2.0 = termFreq=2.0
          3.5018296 = idf(docFreq=3622, maxDocs=44218)
          0.046875 = fieldNorm(doc=73)
  0.2 = coord(1/5)

Date

27.12.2020 16:56:22