Menu Expand

Methoden der Künstlichen Intelligenz zur Lösung des Prognoseproblems bei der Unternehmensbewertung

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

Diedrich, Ralf

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