Künstliche Intelligenz und Entscheidungstheorie
Die betriebswinschaftliche Entscheidungstheorie, die in den 6O-er und 70-er Jahren in Deutschland, vor aHem angeregt durch Arbeiten von Simon, mit den Veroffentlichungen von Heinen und Kirsch eine Phase groBer Fruchtbarkeit erlebte, durchlauft seither eine Periode deutlicher Stagnation. Ein wesentlicher Grund dafiir konnte sein, daB die darnaJigen Versuche, die deskriptive Entscheidungstheorie zu tragfahigen Erklarungsmodellen auszubauen, die eine fundierte Grundlage zur Ableitung von Gestaltungsempfehlungen ge liefert hatten, gescheitert sind. Vielmehr ist die deskriptive Entscheidungstheorie in weiten Tei!en tiber reine Beschreibungen des Verhaltens nicht hinausgekommen. Andererseits hat auch die normative Entscheidungstheorie, der altere Zweig der Entscheidungstheorie, fUr die Gestaltung betrieblicher Entscheidungen wenig Bedeutung erlangt, vor allem wei! ihre Informationsannahmen auch bei den Entscheidungsmodellen unter Unsicherheit sehr re striktiv sind, d. h. daB ein wesentlicher Teil realer Problemstellungen als gelost bzw. nicht existent vorausgesetzt wird. So wird immer unterstellt, daB bei einem Problem die Problemstellung und die Zielvorgabe eindeutig sei, die Alternativen zur Problemlosung aile bekannt seien, die potentiell eintretenden Umweltzustande bekannt seien, jeder Alternative beztiglich jeder denkbaren Umweltsituation eindeutig ein Ergebnis beztiglich jeden ZieJes zugeordnet werden konne und lediglich der Informationsgrad des Eintritts von Umweltsituationen je nach Typ des Entscheidungsmodells variiere. Demgegentiber bestehen die Schwierigkeiten bei der Handhabung realer (betriebswinschaftlicher) Diagnoseprobleme hliufig gerade im Fehlen oder der Zweifelhaftigkeit der zur Beschreibung und zur Beurteilung der vorliegenden Situation notwendigen Informationen. Diagnoseprobleme sind eine in der Betriebswinschaft hliufig auftretende Problemklasse. Dabei ist eine bestimmte vorliegende Situation zu erkennen und zu klassifizieren, der eine bestimmte Handlung oder Folgerung zuzuordnen ist."
1117755832
Künstliche Intelligenz und Entscheidungstheorie
Die betriebswinschaftliche Entscheidungstheorie, die in den 6O-er und 70-er Jahren in Deutschland, vor aHem angeregt durch Arbeiten von Simon, mit den Veroffentlichungen von Heinen und Kirsch eine Phase groBer Fruchtbarkeit erlebte, durchlauft seither eine Periode deutlicher Stagnation. Ein wesentlicher Grund dafiir konnte sein, daB die darnaJigen Versuche, die deskriptive Entscheidungstheorie zu tragfahigen Erklarungsmodellen auszubauen, die eine fundierte Grundlage zur Ableitung von Gestaltungsempfehlungen ge liefert hatten, gescheitert sind. Vielmehr ist die deskriptive Entscheidungstheorie in weiten Tei!en tiber reine Beschreibungen des Verhaltens nicht hinausgekommen. Andererseits hat auch die normative Entscheidungstheorie, der altere Zweig der Entscheidungstheorie, fUr die Gestaltung betrieblicher Entscheidungen wenig Bedeutung erlangt, vor allem wei! ihre Informationsannahmen auch bei den Entscheidungsmodellen unter Unsicherheit sehr re striktiv sind, d. h. daB ein wesentlicher Teil realer Problemstellungen als gelost bzw. nicht existent vorausgesetzt wird. So wird immer unterstellt, daB bei einem Problem die Problemstellung und die Zielvorgabe eindeutig sei, die Alternativen zur Problemlosung aile bekannt seien, die potentiell eintretenden Umweltzustande bekannt seien, jeder Alternative beztiglich jeder denkbaren Umweltsituation eindeutig ein Ergebnis beztiglich jeden ZieJes zugeordnet werden konne und lediglich der Informationsgrad des Eintritts von Umweltsituationen je nach Typ des Entscheidungsmodells variiere. Demgegentiber bestehen die Schwierigkeiten bei der Handhabung realer (betriebswinschaftlicher) Diagnoseprobleme hliufig gerade im Fehlen oder der Zweifelhaftigkeit der zur Beschreibung und zur Beurteilung der vorliegenden Situation notwendigen Informationen. Diagnoseprobleme sind eine in der Betriebswinschaft hliufig auftretende Problemklasse. Dabei ist eine bestimmte vorliegende Situation zu erkennen und zu klassifizieren, der eine bestimmte Handlung oder Folgerung zuzuordnen ist."
59.99 In Stock
Künstliche Intelligenz und Entscheidungstheorie

Künstliche Intelligenz und Entscheidungstheorie

by Thorsten Poddig
Künstliche Intelligenz und Entscheidungstheorie

Künstliche Intelligenz und Entscheidungstheorie

by Thorsten Poddig

Paperback(1992)

$59.99 
  • SHIP THIS ITEM
    Qualifies for Free Shipping
  • PICK UP IN STORE
    Check Availability at Nearby Stores

Related collections and offers


Overview

Die betriebswinschaftliche Entscheidungstheorie, die in den 6O-er und 70-er Jahren in Deutschland, vor aHem angeregt durch Arbeiten von Simon, mit den Veroffentlichungen von Heinen und Kirsch eine Phase groBer Fruchtbarkeit erlebte, durchlauft seither eine Periode deutlicher Stagnation. Ein wesentlicher Grund dafiir konnte sein, daB die darnaJigen Versuche, die deskriptive Entscheidungstheorie zu tragfahigen Erklarungsmodellen auszubauen, die eine fundierte Grundlage zur Ableitung von Gestaltungsempfehlungen ge liefert hatten, gescheitert sind. Vielmehr ist die deskriptive Entscheidungstheorie in weiten Tei!en tiber reine Beschreibungen des Verhaltens nicht hinausgekommen. Andererseits hat auch die normative Entscheidungstheorie, der altere Zweig der Entscheidungstheorie, fUr die Gestaltung betrieblicher Entscheidungen wenig Bedeutung erlangt, vor allem wei! ihre Informationsannahmen auch bei den Entscheidungsmodellen unter Unsicherheit sehr re striktiv sind, d. h. daB ein wesentlicher Teil realer Problemstellungen als gelost bzw. nicht existent vorausgesetzt wird. So wird immer unterstellt, daB bei einem Problem die Problemstellung und die Zielvorgabe eindeutig sei, die Alternativen zur Problemlosung aile bekannt seien, die potentiell eintretenden Umweltzustande bekannt seien, jeder Alternative beztiglich jeder denkbaren Umweltsituation eindeutig ein Ergebnis beztiglich jeden ZieJes zugeordnet werden konne und lediglich der Informationsgrad des Eintritts von Umweltsituationen je nach Typ des Entscheidungsmodells variiere. Demgegentiber bestehen die Schwierigkeiten bei der Handhabung realer (betriebswinschaftlicher) Diagnoseprobleme hliufig gerade im Fehlen oder der Zweifelhaftigkeit der zur Beschreibung und zur Beurteilung der vorliegenden Situation notwendigen Informationen. Diagnoseprobleme sind eine in der Betriebswinschaft hliufig auftretende Problemklasse. Dabei ist eine bestimmte vorliegende Situation zu erkennen und zu klassifizieren, der eine bestimmte Handlung oder Folgerung zuzuordnen ist."

Product Details

ISBN-13: 9783824400966
Publisher: Deutscher Universitätsverlag
Publication date: 01/01/1992
Edition description: 1992
Pages: 404
Product dimensions: 5.98(w) x 9.02(h) x 0.03(d)
Language: German

Table of Contents

1. Einführung und Problemstellung der Arbeit.- 1.1. Einführung in die Theorie des Diagnoseproblems.- 1.2. Entscheidungstheorie und das Diagnoseproblem.- 1.3. Interpretationen des Diagnoseproblems.- 1.4. Symbolische Entscheidungstheorie versus konnektionistische Entscheidungstheorie.- 1.5. Notwendige Abgrenzungen der Arbeit.- 2. Künstliche Intelligenz und eine symbolverarbeitende Entscheidungstheorie des Diagnoseproblems.- 2.1. Entwicklungslinien der KI und der Entscheidungstheorie.- 2.2. Das einfache Diagnoseproblem.- 2.3. Das allgemeine Diagnoseproblem.- 2.4. Die prozedurale Semantik von Regelnetz- und Regelnotation.- 2.5. Die Leistungsfähigkeit des symbolverarbeitenden Ansatzes der KI-Forschung im Bezug auf das Diagnoseproblem.- 3. Konnektionismus und eine konnektionistische Entscheidungstheorie des Diagnoseproblems.- 3.1. Einleitung.- 3.2. Grundlagen des konnektionistischen Ansatzes.- 3.3. Assoziative Speicher.- 3.4. Die Handhabung des Diagnoseproblems durch Perceptrons.- 3.5. Alternative Modelle zur Handhabung von Diagnoseproblemen.- 3.6. Anwendungsbeispiele einer konnektionistischen Entscheidungstheorie des Diagnoseproblems: Ableitung von Kauf- und Verkaufhandlungen für den Aktienmarkt, den BUND-FUTURE und den Dollar.- 4. Schlußbetrachtungen.- Abstract.- Schlagwortverzeichnis.
From the B&N Reads Blog

Customer Reviews