====== KI - Wissensakquisition und Wissensrepräsentation ======

|< 100% 33% 66%>|
^Dauer^4 SWS^
^Art^Vorlesung mit Übung^
^Semester^WS2016^
^Vortragende^Prof. Michael Beetz, Daniel Nyga^
^Übungsleitung^Mareike Picklum^
^Sprache^Deutsch^
^Termine^Vorlesung: Do, 14-16 Uhr; Übung: Mo, 10-12 Uhr^
^Ort^ [[https://www.google.de/maps/place/Technische+Akademie+Bremen,+Universit%C3%A4t+Bremen,+28359+Bremen/@53.1099364,8.8592024,17z/data=!3m1!4b1!4m2!3m1!1s0x47b126315a2e1755:0x74c75b0bda3dec4f?hl=de|TAB-Gebäude (Am Fallturm 1)]], [[https://ai.uni-bremen.de/_media/contact/tab1.png|Eingang E]], Raum 0.31^
^Bemerkungen^Vorlesungsbeginn: Do, 20.10.2016 \\ Übungsbeginn: Mo, 24.10.2016^ \\

Organizational Issues and Materials can be found at our

[[https://elearning.uni-bremen.de/dispatch.php/course/details/?cid=af358653ad0d0993b3940fe8feb3d07a&send_from_search=1&send_from_search_page=https%3A%2F%2Felearning.uni-bremen.de%2Fdispatch.php%2Fsearch%2Fcourses%3Fcid%3Daf358653ad0d0993b3940fe8feb3d07a%26keep_result_set%3D1&sem_id=af358653ad0d0993b3940fe8feb3d07a|Stud.IP page]].


----

Wissensakquisition entspricht in weiten Grenzen der Systemanalyse, wie sie aus dem Software Engineering bekannt ist. So beschäftigt sich die Wissensakquisition damit, wie in Organisationen bestimmte Aufgaben so definiert werden können, dass sie z. B. einer maschinellen Bearbeitung zugänglich sind. Es ist schon lange bekannt, dass das früher benutzte einfache Bild der “Informationsextraktion” aus den Experten nicht trägt: es geht hier um einen modellbasierten Prozess, der das zu nutzende Wissen zuerst verbal, dann semiformal und schließlich formal darstellt, um die Kluft zwischen dem Expertenwissen und einer letzendlich in einer formalen Programmiersprache fixierten Anwendung schließen zu können. In diesem Kontext spielt eine implementierungs-unabhängige Wissensrepräsentation, die es erlaubt, statisches und dynamisches Wissen auf mehreren Ebenen zu formulieren und (mindestens) zu validieren, eine große Rolle. Modellierung komplexer bzw. realer Anwendungen erfordert zumeist eine Abbildung auf verteilte Systeme.

=== Inhalte ===

  * Probabilistische Wissensverarbeitung
    * Wahrscheinlichkeitstheorie
    * Bayes'sches maschinelles Lernen
    * Markov-Netze

  * Probabilistisches Schließen über die Zeit
    * Hidden Markov Models (HMM)
    * Conditional Random Fields (CRF)
  
  * Statistical Relational Learning
      * Markov Logic Networks (MLN)

  * Ensemble-basierte Lernalgorithmen
    * Adaptive Boosting (AdaBoost)
    * Random Forests

  * Wissensverarbeitung im World Wide Web
    * Beschreibungslogik (DL)
    * Web Ontology Language (OWL)
    * Unstructured Information Management