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

|< 100% 33% 66%>|
^Dauer^4 SWS^
^Art^Vorlesung mit Übung^
^Semester^WS2018/19^
^Dozent^Dr. Daniel Nyga^
^Übungsleitung^Mona Abdel-Keream^
^Sprache^Deutsch^
^Empfohlende Voraussetzung^[[:teaching:le-ki1=ss18|Grundlagen der KI]]^
^Termine^Vorlesung: Di, 16-18 Uhr; Übung: Mo, 12-14 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)]], Eingang F, Raum 0.50/0.51^
^Bemerkungen^Vorlesungsbeginn: Di, 16.10.2018 \\ Übungsbeginn: Mo, 22.10.2018^ \\

Organisatorisches sowie Vorlesungsmaterialien können auf der Stud.IP-Seite zur Veranstaltung gefunden werde: [[https://elearning.uni-bremen.de/dispatch.php/course/overview?cid=d333882da0f4352008e400ca873d4038|Stud.IP page]].


Wissensverarbeitung (Knowledge Processing/Engineering) ist ein  Teilgebiet der Künstlichen Intelligenz, welches sich mit der  konzeptionellen und technischen Unterstützung von Wissensprozessen  innerhalb intelligenter Systeme beschäftigt. Wesentliche Merkmale der  Wissensverarbeitung sind das Entdecken und Strukturieren von Wissen in  großen Datenmengen (Knowledge Discovery/Machine Learning), das Ableiten  von neuem Wissen aus vorhandenem Wissen (Inference/Reasoning), und die  Kommunikation des Wissens mit einheitlicher Semantik über Systemgrenzen  hinweg (Knowledge Exchange). Eine immer wichtigere Rolle spielen  hierbei Methoden der unsicheren Wissensmodellierung, die es Agenten  ermöglichen, in Gegenwart von unvollständigen, falschen,  widersprüchlichen oder verrauschten Beobachtungen kompetent zu handeln.  Die rasant zunehmende Menge an Information aus dem World Wide Web sowie  die stetig wachsende Verfügbarkeit dieser Information machen  automatisierte Wissensakquisitions- und Repräsentationsprozesse  unverzichtbar. Methoden des maschinellen Lernens und der unsicheren  Wissensverarbeitung kommen mittlerweile in fast allen Bereichen der  rechnergestützten Informationsverarbeitung zum Einsatz, wie zum  Beispiel in kognitiver Robotik, medizinischen Diagnosesystemen, virtuellen  persönlichen Assistenten, Vorhersagen von Klima- und Finanzmarktentwicklungen,  autonomem Fahren, Materialwissenschaften und vielen  mehr.

Die Vorlesung behandelt grundlegende Techniken der statistischen Datenanalyse und Wahrscheinlichkeitstheorie, des Bayes'schen  maschinellen Lernens und probabilistischer graphischer Modelle,  wie auch den aktuellen Stand der Forschung im Bereich probabilistischer relationaler Wissensrepräsentation, probabilistischer Logik und ensemblebasierten Lernverfahren. 

Die Inhalte sind im Einzelnen:

  * Probabilistische Wissensverarbeitung
    * Grundlagen der Wahrscheinlichkeitstheorie
    * Bayes'sches maschinelles Lernen
    * Markov-Netze vs. Bayes-Netze

  * Probabilistische Klassifikation und Regression
    * Naive Bayes
    * Logistic Regression
    * Bayesian Linear Regression
    * Classification and Regression Trees

  * Probabilistisches Schließen über die Zeit
    * Stochastische Prozesse: Markov-Ketten
    * Hidden Markov Models (HMM)
    * Conditional Random Fields (CRF)

  * Statistical Relational Learning
    * Markov logic networks (MLN)

  * Ensemble-basierte Lernalgorithmen
    * Adaptive Boosting (AdaBoost)
    * Gradient Tree Boosting (XGBoost)
    * Bagging & Random Forests