ISBN: 9783832403393

Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschu… Meer...

Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz: Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 COMPUTERS / Intelligence (AI) & Semantics, Diplomica Verlag<

ISBN: 9783832403393

Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschu… Meer...

Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 Grundgerüsterkennung Von Diterpenen Aus 13C-Nmr Daten Mit Methoden : Inhaltsangabe:Problemstellung: Die Erforschung und Bekämpfung humaner und pflanzlicher Krankheiten war schon immer ein wesentlicher Bestandteil von Wissenschaft und Forschung. Die Forschung konzentriert sich hierbei neuerdings verstärkt auf natürliche Strukturen, wie sie in Mikroorganismen, marinen Organismen und Pflanzen vorkommen. Die Strukturen in Naturstoffen sind sehr komplex. Die Strukturaufklärung erweist sich als sehr zeitaufwendig und bleibt meistens den Experten vorbehalten. Aufgrund dessen besteht Bedarf für eine Automatisierung der Strukturaufklärung. Zur Automatisierung der Strukturaufklärung, wurde von der Firma AnalytiConi ein Projekt beim Bundesministerium für Bildung, Wissenschaft, Forschung und Technik (BMBF) beantragt. Bereits seit den siebziger Jahren werden Ansätze verfolgt, die Strukturaufklärung mit Hilfe entsprechender Software teilweise zu automatisieren. Um die hohe Anzahl kombinatorisch denkbarer Strukturen auf die biogenetisch sinnvollen Strukturen reduzieren zu können, wird das Konzept der `biogeneseunterstützten Strukturaufklärung` herangezogen. Naturstoffe zeichnen sich durch ihren biogenetisch logischen Aufbau des Kohlenstoffgerüstes aus. Der hier verfolgte Ansatz beschränkt sich im Vergleich zu früheren Ansätzen auf Naturstoffe. In dem beantragten Projekt zur Strukturaufklärung kommen die folgenden modernen Techniken aus dem Bereich der Künstlichen Intelligenz zum Einsatz kommen: assoziatives Lernen (überwachtes Lernen), entdeckendes Lernen (nicht überwachtes Lernen),neuranale Netze. Gang der Untersuchung: Der Inhalt der Arbeit ist in fünf Kapitel untergliedert: Kapitel 1 erläutert Projektstand und Projektziel, Kapitel 2 gibt einen Ausblick auf die chemischen Hintergründe, Kapitel 3 befasst sich mit einem Suchproblem graphentheoretischer Art. Aus den bekannten Strukturen verschiedener Grundgerüste und der vorgegebenen Struktur eines Moleküls soll erkannt werden, um welches Grundgerüst es sich handelt. Die Kapitel 4 und 5 befassen sich mit der Erkennung von Grundgerüsten, bei denen die Struktur des zu untersuchenden Moleküls unbekannt ist. Untersucht werden die Einsatzmöglichkeiten von neuronalen Netzen und maschinellen Lernalgorithmen. Es werden Daten untersucht, die aus 13C-NMR-Spektren von Naturstoffen stammen, deren Struktur bereits aufgeklärt wurde. Dieses geschieht zum einen unter Berücksichtigung der Zuordnung der Atomnummern und zum anderen ohne deren Berücksichtigung. Diese Einteilung soll die Frage klären, ob neuronale Netze auf diese Problemklasse anwendbar sind. Außerdem soll die Frage der Datenrepräsentation in neuronalen Netzen geklärt werden. Parallel zu diesen Experimenten werden auch Experimente mit maschinellen Lernalgorithmen durchgeführt. Einige der Ergebnisse bezüglich maschineller Lernalgorithmen entstanden in Kooperation mit der Gesellschaft für Mathematik und Datenverarbeitung (GMD) und wurden dort von Soso Dieroski erarbeitet. Inhaltsverzeichnis:Inhaltsverzeichnis: 1.Einleitung1 1.Vorarbeiten3 1.Stand der Forschung3 2.Projektziel4 2.Chemische Grundlagen5 1.NMR - Spektroskopie5 2.13C - NMR Spektrum5 3.Diterpene7 4.Multiplizitäten7 5.Substituenten8 6.Beobachtete und reduzierte Multiplizitäten8 3.Ein graphentheoretisches Problem11 1.Graphentheoretische Grundlagen11 2.Suche nach Subgraphen und Isomorphismen11 2.1Der Algorithmus von Schmidt und Druffel13 2.2Der Algorithmus von Corneil und Gottlieb15 2.3Der Algorithmus von Sussenguth Jr.18 2.4Algorithmus zur Bestimmung kleinster Kreise22 3.Anwendung des Subgraphen - Isomorphismus23 4.Neuronale Netze25 1.Ein Back ¿ Propagation - Algorithmus25 2.Auswahl der Netzparameter26 3.Vorüberlegungen27 4.Mit Zuordnung durch Atomnummern27 4.1Frequenzen neben Multiplizitäten27 4.2Frequenzen und Multiplizitäten kombiniert28 4.3Multiplizitäten, ohne Angabe der Frequenzen30 4.4Cross - Validation30 4.5Auswertung der Ergebnisse31 5.Ohne Zuordnung durch Atomnummern31 5.1Zuordnung durch Sortieren32 5.2Problem: Ungleich große Klassen32 5.3Versteckte Schichten32 5.4Einteilung in Frequenzintervalle33 5.5Zwanzig Atome des Grundgerüstes35 5.6Zwanzig Atome des Grundgerüstes ohne Frequenz36 5.7Auswertung der Ergebnisse36 6.Schlußfolgerungen37 6.1Datenrepräsentation37 6.2Beo contra Red37 5.Maschinelles Lernen39 1.Tools für maschinelles Lernen39 1.1C4.539 1.2FOIL40 2.Experimente mit FOIL42 2.1Klassifizierung der Regeln von FOIL42 2.2Beschreibung der Beispiele42 3.Mit Zuordnung durch Atomnummern43 3.1Berücksichtigung der Frequenzen43 3.2Nur die Multiplizitäten43 4.Ohne Zuordnung durch Atomnummern44 4.1Multiplizitäten und Frequenzen44 4.2Anzahl der Multiplizitäten44 4.3Künstliche Atomnummern44 4.4Kombination von Ansätzen45 5.Weitere Experimente46 5.1Mit Zuordnung durch Atomnummern46 5.2Ohne Zuordnung durch Atomnummern46 6.Schlußfolgerungen47 6.1Die Expertenmeinung zu C4.547 6.2C4.5 contra FOIL48 6.Diskussion der Ergebnisse51 1.Mit Zuordnung der Atomnummern51 2.Ohne Zuordnung der Atomnummern51 3.Neuronales Netz contra maschinelle Lernalgorithmen52 4.Ungleich große Klassen52 5.Experimente mit FOIL53 Anhang A Abkürzungsverzeichnis59 Anhang B C4.560 B.1Mit Zuordnung der Atomnummern60 Anhang C FOIL66 C.1 Mit Zuordnung der Atomnummern66 C.2 Ohne Zuordnung der Atomnummern70 Anhang D Thesen79 Computers / Intelligence (AI) & Semantics, Diplomica Verlag<

ISBN: 3832403396

Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz ab 38 € als pdf eBook: 1. Auflage. Aus dem Bereich: eBooks, Sachthemen & Ratgeber, Computer … Meer...

Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz ab 38 € als pdf eBook: 1. Auflage. Aus dem Bereich: eBooks, Sachthemen & Ratgeber, Computer & Internet, Medien > Bücher, Grundgerüsterkennung von Diterpenen aus 13C-NMR Daten mit Methoden der Künstlichen Intelligenz - eBook als pdf von Karsten Rainer Heidtke - Diplom...<

1997, ISBN: 9783832403393

[ED: 1], Auflage, eBook Download (PDF), eBooks, [PU: diplom.de]

1997, ISBN: 9783832403393

[ED: 1], Auflage, eBook Download (PDF), eBooks, [PU: Diplomica]