2009, ISBN: 9783836633031

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Tra… Mehr…

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Traditionell wurden Klassifizierersysteme, die maschinelle Lernalgorithmen verwenden, als ¿lernende Klassifizierersysteme¿ (Learning Classifier Systems) bezeichnet, um sie von solchen zu unterscheiden, die ¿ ähnlich einem Expertensystem ¿ nur durch manuelle Programmierung sinnvolle Ausgaben liefern können. Dieser Konvention wird in der zugrundeliegenden Arbeit nicht gefolgt. Statt dessen wird der Terminus ¿Klassifizierersystem¿ vereinfachend für die Originalbezeichnung ¿Learning Classifier System¿ gebraucht. Die theoretische Grundlage der Klassifizierersysteme bildet die Theorie kognitiver Landkarten (cognitive maps) aus der Psychologie. Nach MICHAEL G. WESSELLS besteht das Organisationsprinzip, nach dem der Mensch seine Begriffswelt ordnet, in der Kategorisierung des eintreffenden Informationsstromes. Dem Prozeß der Kategorienbildung liegen Generalisierungs- und Differenzierungsvorgänge zugrunde. Dabei werden unterschiedliche Objekte als Elemente einer Kategorie erkannt, wenn sie gemeinsame Merkmale aufweisen. Von irrelevanten Unterschieden zwischen den Objekten wird durch Generalisierung abgesehen. In Klassifizierersystemen werden diese Kategorien durch Klassifizierer modelliert. Klassifizierer sind Regeln mit einem Gültigkeitsbereich, der sich mit denen anderer Klassifizierer überlappen kann, so daß im konkreten Fall zwischen allgemeinen und situations-spezifischen Regeln entschieden werden muß. Das Prinzip der Wissensaquisition in Klassifizierersystemen wird als ¿verstärkendes Lernen¿ (reinforcement learning) bezeichnet. Das System benötigt zum Lernen keine Vorgaben im Sinne von korrekten Aktionen als Reaktion auf eine vorliegende Situation. Statt dessen ist lediglich ein Feedback in der Form eines einzelnen Parameters notwendig. Die Klassifizierer werden durch Induktionsmechanismen erlernt und können laufend verändert werden, ohne die Systemleistung zu beeinträchtigen. Jeder Klassifizierer stellt eine situationsabhängige Erwartung hinsichtlich zukünftiger Ereignisse dar. Somit bildet sich im System ein Modell der Umwelt, welches den Änderungen der Umwelt laufend angepaßt wird. Diese Eigenschaften und die Problemunabhängigkeit des Lernmechanismus haben Wirtschaftswissenschaftler dazu veranlaßt, den homo oeconomicus neoklassischer Modelle durch adaptive Agenten, basierend auf den Klassifizierersystemen, zu ersetzen. Unter ¿Agenten¿ werden hier Systeme verstanden, die auf Umwelteinwirkungen nicht im bedingungslosen Reflex antworten, sondern deren Verhalten in bewußter oder unbewußter Weise an den Interessen der eigenen Identität orientiert ist, das heißt insbesondere ihrer Erhaltung und Entfaltung. Durch deren Integration in wirtschaftswissenschaftliche Modelle ergeben sich zwei Vorteile: Die begrenzte Rationalität (bounded rationality) und Erwartungsbildung realer Agenten kann modelliert werden, ohne auf ad hoc-Annahmen hinsichtlich der Beschränkungen der Informationsverarbeitungskapazität sowie des Wissensstandes angewiesen zu sein. Somit sind Simulationsergebnisse weitgehend unabhängig vom Kenntnisstand des Simulationsentwicklers. Es können Phänomene beobachtet werden, die sich aus den parallelen Interaktionen einer Vielzahl von Agenten ergeben. Somit kann zur Modellierung wirtschaftswissenschaftlicher Systeme auf ceteris paribus-Annahmen weitgehend verzichtet werden. Herkömmliche Modelle der Erwartungsbildung gehen von einem extrapolativen bzw. rationalen Verhalten der Wirtschaftssubjekte aus oder betrachten nur den individuellen Aspekt. Es zeigt sich jedoch, daß durch die soziale Interaktion der Wirtschaftssubjekte die Wirtschaft zu chaotischem Verhalten neigt. Typisch für chaotische Systeme ist die Ausbildung von Strukturen in einem Selbstorganisationsprozeß, die es den Individuen ermöglichen, sich aufgrund von Erfahrungen zu orientieren. Aus der Beschäftigung mit der Komplexität unterschiedlicher Disziplinen sind Begriffe, Ansätze und Theorien entstanden, die Bausteine einer sich abzeichnenden Theorie komplexer Systeme sind. Das sogenannte Invarianztheorem der Kybernetik eBook PDF, Bedey Media GmbH, 20.07.2009, Bedey Media GmbH, 2009<

ISBN: 9783836633031

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Trad… Mehr…

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Traditionell wurden Klassifizierersysteme, die maschinelle Lernalgorithmen verwenden, als ¿lernende Klassifizierersysteme¿ (Learning Classifier Systems) bezeichnet, um sie von solchen zu unterscheiden, die ¿ ähnlich einem Expertensystem ¿ nur durch manuelle Programmierung sinnvolle Ausgaben liefern können. Dieser Konvention wird in der zugrundeliegenden Arbeit nicht gefolgt. Statt dessen wird der Terminus ¿Klassifizierersystem¿ vereinfachend für die Originalbezeichnung ¿Learning Classifier System¿ gebraucht. Die theoretische Grundlage der Klassifizierersysteme bildet die Theorie kognitiver Landkarten (cognitive maps) aus der Psychologie. Nach MICHAEL G. WESSELLS besteht das Organisationsprinzip, nach dem der Mensch seine Begriffswelt ordnet, in der Kategorisierung des eintreffenden Informationsstromes. Dem Prozess der Kategorienbildung liegen Generalisierungs- und Differenzierungsvorgänge zugrunde. Dabei werden unterschiedliche Objekte als Elemente einer Kategorie erkannt, wenn sie gemeinsame Merkmale aufweisen. Von irrelevanten Unterschieden zwischen den Objekten wird durch Generalisierung abgesehen. In Klassifizierersystemen werden diese Kategorien durch Klassifizierer modelliert. Klassifizierer sind Regeln mit einem Gültigkeitsbereich, der sich mit denen anderer Klassifizierer überlappen kann, so dass im konkreten Fall zwischen allgemeinen und situations-spezifischen Regeln entschieden werden muss. Das Prinzip der Wissensaquisition in Klassifizierersystemen wird als ¿verstärkendes Lernen¿ (reinforcement learning) bezeichnet. Das System benötigt zum Lernen keine Vorgaben im Sinne von korrekten Aktionen als Reaktion auf eine vorliegende Situation. Statt dessen ist lediglich ein Feedback in der Form eines einzelnen Parameters notwendig. Die Klassifizierer werden durch Induktionsmechanismen erlernt und können laufend verändert werden, ohne die Systemleistung zu beeinträchtigen. Jeder Klassifizierer stellt eine situationsabhängige Erwartung hinsichtlich zukünftiger Ereignisse dar. Somit bildet sich im System ein Modell der Umwelt, welches den Änderungen der Umwelt laufend angepasst wird. Diese Eigenschaften und die Problemunabhängigkeit des Lernmechanismus haben Wirtschaftswissenschaftler dazu veranlasst, den homo oeconomicus neoklassischer Modelle durch adaptive [...] eBooks > Sachbücher > Computer & Internet > Anwendungs-Software; eBooks > Sachbücher > Natur & Technik; eBooks > Fachbücher , Diplomica Verlag, PDF, Diplomica Verlag<

2009, ISBN: 9783836633031

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Tra… Mehr…

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Traditionell wurden Klassifizierersysteme, die maschinelle Lernalgorithmen verwenden, als ¿lernende Klassifizierersysteme¿ (Learning Classifier Systems) bezeichnet, um sie von solchen zu unterscheiden, die ¿ ähnlich einem Expertensystem ¿ nur durch manuelle Programmierung sinnvolle Ausgaben liefern können. Dieser Konvention wird in der zugrundeliegenden Arbeit nicht gefolgt. Statt dessen wird der Terminus ¿Klassifizierersystem¿ vereinfachend für die Originalbezeichnung ¿Learning Classifier System¿ gebraucht. Die theoretische Grundlage der Klassifizierersysteme bildet die Theorie kognitiver Landkarten (cognitive maps) aus der Psychologie. Nach MICHAEL G. WESSELLS besteht das Organisationsprinzip, nach dem der Mensch seine Begriffswelt ordnet, in der Kategorisierung des eintreffenden Informationsstromes. Dem Prozeß der Kategorienbildung liegen Generalisierungs- und Differenzierungsvorgänge zugrunde. Dabei werden unterschiedliche Objekte als Elemente einer Kategorie erkannt, wenn sie gemeinsame Merkmale aufweisen. Von irrelevanten Unterschieden zwischen den Objekten wird durch Generalisierung abgesehen. In Klassifizierersystemen werden diese Kategorien durch Klassifizierer modelliert. Klassifizierer sind Regeln mit einem Gültigkeitsbereich, der sich mit denen anderer Klassifizierer überlappen kann, so daß im konkreten Fall zwischen allgemeinen und situations-spezifischen Regeln entschieden werden muß. Das Prinzip der Wissensaquisition in Klassifizierersystemen wird als ¿verstärkendes Lernen¿ (reinforcement learning) bezeichnet. Das System benötigt zum Lernen keine Vorgaben im Sinne von korrekten Aktionen als Reaktion auf eine vorliegende Situation. Statt dessen ist lediglich ein Feedback in der Form eines einzelnen Parameters notwendig. Die Klassifizierer werden durch Induktionsmechanismen erlernt und können laufend verändert werden, ohne die Systemleistung zu beeinträchtigen. Jeder Klassifizierer stellt eine situationsabhängige Erwartung hinsichtlich zukünftiger Ereignisse dar. Somit bildet sich im System ein Modell der Umwelt, welches den Änderungen der Umwelt laufend angepaßt wird. Diese Eigenschaften und die Problemunabhängigkeit des Lernmechanismus haben Wirtschaftswissenschaftler dazu veranlaßt, den homo oeconomicus neoklassischer Modelle durch adaptive [...] eBook Thorsten Luedtke PDF, Diplomica Verlag, 20.07.2009, Diplomica Verlag, 2009<

2009, ISBN: 9783836633031

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Tra… Mehr…

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Traditionell wurden Klassifizierersysteme, die maschinelle Lernalgorithmen verwenden, als ¿lernende Klassifizierersysteme¿ (Learning Classifier Systems) bezeichnet, um sie von solchen zu unterscheiden, die ¿ ähnlich einem Expertensystem ¿ nur durch manuelle Programmierung sinnvolle Ausgaben liefern können. Dieser Konvention wird in der zugrundeliegenden Arbeit nicht gefolgt. Statt dessen wird der Terminus ¿Klassifizierersystem¿ vereinfachend für die Originalbezeichnung ¿Learning Classifier System¿ gebraucht. Die theoretische Grundlage der Klassifizierersysteme bildet die Theorie kognitiver Landkarten (cognitive maps) aus der Psychologie. Nach MICHAEL G. WESSELLS besteht das Organisationsprinzip, nach dem der Mensch seine Begriffswelt ordnet, in der Kategorisierung des eintreffenden Informationsstromes. Dem Prozeß der Kategorienbildung liegen Generalisierungs- und Differenzierungsvorgänge zugrunde. Dabei werden unterschiedliche Objekte als Elemente einer Kategorie erkannt, wenn sie gemeinsame Merkmale aufweisen. Von irrelevanten Unterschieden zwischen den Objekten wird durch Generalisierung abgesehen. In Klassifizierersystemen werden diese Kategorien durch Klassifizierer modelliert. Klassifizierer sind Regeln mit einem Gültigkeitsbereich, der sich mit denen anderer Klassifizierer überlappen kann, so daß im konkreten Fall zwischen allgemeinen und situations-spezifischen Regeln entschieden werden muß. Das Prinzip der Wissensaquisition in Klassifizierersystemen wird als ¿verstärkendes Lernen¿ (reinforcement learning) bezeichnet. Das System benötigt zum Lernen keine Vorgaben im Sinne von korrekten Aktionen als Reaktion auf eine vorliegende Situation. Statt dessen ist lediglich ein Feedback in der Form eines einzelnen Parameters notwendig. Die Klassifizierer werden durch Induktionsmechanismen erlernt und können laufend verändert werden, ohne die Systemleistung zu beeinträchtigen. Jeder Klassifizierer stellt eine situationsabhängige Erwartung hinsichtlich zukünftiger Ereignisse dar. Somit bildet sich im System ein Modell der Umwelt, welches den Änderungen der Umwelt laufend angepaßt wird. Diese Eigenschaften und die Problemunabhängigkeit des Lernmechanismus haben Wirtschaftswissenschaftler dazu veranlaßt, den homo oeconomicus neoklassischer Modelle durch adaptive [...] eBook Thorsten Luedtke PDF, Diplomica Verlag, 20.07.2009, Diplomica Verlag, 2009<

2009, ISBN: 9783836633031

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Tra… Mehr…

Inhaltsangabe:Einleitung: Klassifizierersysteme sind lernende Systeme, die eine Menge von internen Strukturen hinsichtlich der Anforderungen des Umsystems zielgerichtet manipulieren. Traditionell wurden Klassifizierersysteme, die maschinelle Lernalgorithmen verwenden, als ¿lernende Klassifizierersysteme¿ (Learning Classifier Systems) bezeichnet, um sie von solchen zu unterscheiden, die ¿ ähnlich einem Expertensystem ¿ nur durch manuelle Programmierung sinnvolle Ausgaben liefern können. Dieser Konvention wird in der zugrundeliegenden Arbeit nicht gefolgt. Statt dessen wird der Terminus ¿Klassifizierersystem¿ vereinfachend für die Originalbezeichnung ¿Learning Classifier System¿ gebraucht. Die theoretische Grundlage der Klassifizierersysteme bildet die Theorie kognitiver Landkarten (cognitive maps) aus der Psychologie. Nach MICHAEL G. WESSELLS besteht das Organisationsprinzip, nach dem der Mensch seine Begriffswelt ordnet, in der Kategorisierung des eintreffenden Informationsstromes. Dem Prozess der Kategorienbildung liegen Generalisierungs- und Differenzierungsvorgänge zugrunde. Dabei werden unterschiedliche Objekte als Elemente einer Kategorie erkannt, wenn sie gemeinsame Merkmale aufweisen. Von irrelevanten Unterschieden zwischen den Objekten wird durch Generalisierung abgesehen. In Klassifizierersystemen werden diese Kategorien durch Klassifizierer modelliert. Klassifizierer sind Regeln mit einem Gültigkeitsbereich, der sich mit denen anderer Klassifizierer überlappen kann, so dass im konkreten Fall zwischen allgemeinen und situations-spezifischen Regeln entschieden werden muss. Das Prinzip der Wissensaquisition in Klassifizierersystemen wird als ¿verstärkendes Lernen¿ (reinforcement learning) bezeichnet. Das System benötigt zum Lernen keine Vorgaben im Sinne von korrekten Aktionen als Reaktion auf eine vorliegende Situation. Statt dessen ist lediglich ein Feedback in der Form eines einzelnen Parameters notwendig. Die Klassifizierer werden durch Induktionsmechanismen erlernt und können laufend verändert werden, ohne die Systemleistung zu beeinträchtigen. Jeder Klassifizierer stellt eine situationsabhängige Erwartung hinsichtlich zukünftiger Ereignisse dar. Somit bildet sich im System ein Modell der Umwelt, welches den Änderungen der Umwelt laufend angepasst wird. Diese Eigenschaften und die Problemunabhängigkeit des Lernmechanismus haben Wirtschaftswissenschaftler dazu veranlasst, den homo oeconomicus neoklassischer Modelle durch adaptive [...] eBook Thorsten Luedtke 20.07.2009, Diplomica Verlag, Diplomica Verlag<