KI - Wissensakquisition und Wissensrepräsentation

Dauer4 SWS
ArtVorlesung mit Übung
SemesterWS2014
VortragendeProf. Michael Beetz, Daniel Nyga
ÜbungsleitungYuen Fang, Asil Bozcuoglu, Fereshta Yazdani
SpracheDeutsch (English if necessary)
TermineVorlesung: Do. 14:00-16:00 Uhr; Übung: Mo. 10:00-12:00 Uhr
Ort TAB-Gebäude (Am Fallturm 1), Eingang E, Raum 0.31
BemerkungenVorlesungsbeginn: 16.10.2014
Übungsbeginn: 20.10.2014

Organizational Issues and Materials can be found at our Stud.IP page

Prüfungstermine

Prüfungen zur Vorlesung finden in den folgenden Wochen statt:

  • 23.02.2015-01.03.2015
  • 23.03.2015-29.03.2015

Die Terminvereinbarung erfolgt per Mail an Daniel Nyga.


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




Prof. Dr. hc. Michael Beetz PhD
Head of Institute

Contact via
Andrea Cowley
assistant to Prof. Beetz
ai-office@cs.uni-bremen.de

Discover our VRB for innovative and interactive research


Memberships and associations:


Social Media: