Methoden der Künstlichen Intelligenz zur Lösung des Prognoseproblems bei der Unternehmensbewertung
BOOK
Cite BOOK
Style
Diedrich, R. (1993). Methoden der Künstlichen Intelligenz zur Lösung des Prognoseproblems bei der Unternehmensbewertung. Ein Prognoseverfahren auf der Grundlage der Prädikatenlogik 1. Ordnung. Duncker & Humblot. https://doi.org/10.3790/978-3-428-47748-7
Diedrich, Ralf. Methoden der Künstlichen Intelligenz zur Lösung des Prognoseproblems bei der Unternehmensbewertung: Ein Prognoseverfahren auf der Grundlage der Prädikatenlogik 1. Ordnung. Duncker & Humblot, 1993. Book. https://doi.org/10.3790/978-3-428-47748-7
Diedrich, R (1993): Methoden der Künstlichen Intelligenz zur Lösung des Prognoseproblems bei der Unternehmensbewertung: Ein Prognoseverfahren auf der Grundlage der Prädikatenlogik 1. Ordnung, Duncker & Humblot, [online] https://doi.org/10.3790/978-3-428-47748-7
Format
Methoden der Künstlichen Intelligenz zur Lösung des Prognoseproblems bei der Unternehmensbewertung
Ein Prognoseverfahren auf der Grundlage der Prädikatenlogik 1. Ordnung
Betriebswirtschaftliche Schriften, Vol. 135
(1993)
Additional Information
Book Details
Pricing
Table of Contents
| Section Title | Page | Action | Price |
|---|---|---|---|
| Geleitwort | 7 | ||
| Inhaltsverzeichnis | 9 | ||
| Abbildungs- und Tabellenverzeichnis | 11 | ||
| Abkürzungsverzeichnis | 12 | ||
| Symbolverzeichnis | 13 | ||
| I. Einleitung | 17 | ||
| A. Zur Aktualität des Themas | 17 | ||
| B. Problemstellung und Annahmen | 19 | ||
| C. Aufbau der Arbeit | 20 | ||
| II. Das Prognoseproblem bei der Unternehmungsbewertung | 22 | ||
| A. Terminologische und dogmengeschichtliche Grundlagen der Unternehmungsbewertung | 22 | ||
| B. Modell- und verfahrenstheoretische Grundlagen der Unternehmungsbewertung | 26 | ||
| 1. Modelle zur Strukturierung des Bewertungsproblems | 26 | ||
| 2. Verfahren zur Lösung des Bewertungsproblems | 30 | ||
| C. Das Prognoseproblem als Bestandteil des Bewertungsproblems | 37 | ||
| 1. Einordnung und Charakterisierung des Prognoseproblems | 37 | ||
| 2. Zur Rationalität von Prognosen | 40 | ||
| 3. Aspekte der Qualität von Prognosen | 52 | ||
| D. Traditionelle Ansätze zur Lösung des Prognoseproblems | 56 | ||
| 1. Mathematisch-statistische Verfahren: Die Regressionsanalyse | 57 | ||
| 2. Intuitive Verfahren: Die Delphi-Befragung | 62 | ||
| 3. Zusammenfassende Beurteilung | 64 | ||
| III. Einführung in das vorgestellte Prognoseverfahren | 66 | ||
| A. Allgemeine Charakteristika eines wissensbasierten Prognosesystems zur Unternehmungsbewertung | 66 | ||
| B. Prinzipielle Arbeitsweise eines wissensbasierten Prognosesystems zur Unternehmungsbewertung | 69 | ||
| C. Funktionaler Aufbau eines wissensbasierten Prognosesystems zur Unternehmungsbewertung | 72 | ||
| IV. Repräsentation des prognoserelevanten Wissens und des Bedingungskomplexes der Prognose | 75 | ||
| A. Konzeptualisierung des prognoserelevanten Wissens | 75 | ||
| B. Auswahl einer geeigneten Repräsentationssprache | 80 | ||
| C. Die Prädikatenlogik 1. Ordnung als Instrument zur Repräsentation prognoserelevanten Wissens und fallspezifischer Informationen | 83 | ||
| 1. Syntaktische und semantische Möglichkeiten zur Darstellung von Einflußfaktoren und prognoserelevanten Zusammenhängen | 83 | ||
| 2. Hornklauselmengen zur Abbildung prognoserelevanten Wissens und fallspezifischer Informationen | 89 | ||
| D. Erweiterung der Prädikatenlogik 1. Ordnung zur probabilistischen Logik | 94 | ||
| 1. Von Wahrheitswerten zu Wahrscheinlichkeiten | 94 | ||
| 2. Anpassung der Semantik von Hornklauselmengen | 98 | ||
| V. Ableitung von Prognosen mit Hilfe von Inferenzverfahren | 106 | ||
| A. Deterministische Inferenz | 106 | ||
| 1. Resolution als grundlegende Inferenzregel | 106 | ||
| 2. Geordnete Input-Resolution mit Tiefensuche | 109 | ||
| B. Probabilistische Inferenz | 117 | ||
| 1. Das Ideal der probabilistischen Inferenz | 117 | ||
| 2. Probabilistische Inferenz auf der Basis von Unabhängigkeitsannahmen | 119 | ||
| 3. Entropiemaximierende Inferenz | 126 | ||
| 4. Zur Verwendung von Wahrscheinlichkeitsintervallen | 132 | ||
| VI. Automatisierter Erwerb prognoserelevanten Wissens aus Beispielen für Unternehmungsentwicklungen | 135 | ||
| A. Ermittlung deterministischer Zusammenhänge | 135 | ||
| 1. Wissenserwerb als Suche nach konsistenten und vollständigen empirischen Generalisierungen | 135 | ||
| 2. Generalisierungs- und Spezialisierungsregeln | 140 | ||
| 3. Strategien zur Suche nach konsistenten und vollständigen empirischen Generalisierungen | 144 | ||
| 4. Heuristiken zur Auswahl erfolgversprechender Generalisierungs- oder Spezialisierungspfade | 151 | ||
| 5. Strukturierter und konstruktiver Erwerb prognoserelevanten Wissens | 155 | ||
| B. Ermittlung probabilistischer Zusammenhänge | 160 | ||
| C. Die Bedeutung des Vor- und Hintergrundwissens beim automatisierten Erwerb prognoserelevanten Wissens | 165 | ||
| VII. Abschließende Beurteilung des vorgestellten Prognoseverfahrens und thesenförmige Zusammenfassung | 169 | ||
| Literaturverzeichnis | 175 |