Both sides previous revisionPrevious revisionNext revision | Previous revisionNext revisionBoth sides next revision |
teaching:le-ki2-ws14 [2014/10/08 09:29] – yfang | teaching:le-ki2-ws14 [2014/10/08 09:46] – yfang |
---|
^Vortragende^Prof. Michael Beetz, Daniel Nyga^ | ^Vortragende^Prof. Michael Beetz, Daniel Nyga^ |
^Übungsleitung^Yuen Fang, Asil Bozcuoglu, Fereshta Yazdani^ | ^Übungsleitung^Yuen Fang, Asil Bozcuoglu, Fereshta Yazdani^ |
^Sprache^Deutsch (Tentatively in English)^ | ^Sprache^Deutsch (English if necessary)^ |
^Termine^TVorlesung, Ort: Do, 14:00-16:00 Uhr, TAB 0.31^ | ^Termine^TVorlesung, Ort: Do, 14:00-16:00 Uhr, [[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^ |
^Übung^Übung, Ort: Mo, 10:00-12:00 Uhr, TAB 0.31^ | ^Übung^Übung, Ort: Mo, 10:00-12:00 Uhr, [[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: 16.10.2014 \\ Übungsbeginn: 20.10.2014^ \\ | ^Bemerkungen^Vorlesungsbeginn: 16.10.2014 \\ Übungsbeginn: 20.10.2014^ \\ |
| |
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 dargestellt, 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. | 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 dargestellt, 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 ====== | === Inhalte === |
| |
* Probabilistische Wissensverarbeitung | * Probabilistische Wissensverarbeitung |
* Wahrscheinlichkeitstheorie | * Wahrscheinlichkeitstheorie |
* Bayes'sches maschinelles Lernen | * Bayes'sches maschinelles Lernen |
*Markov-Netze | * Markov-Netze |
* Probabilistisches Schließen über die Zeit | * Probabilistisches Schließen über die Zeit |
* Hidden Markov Models (HMM) | * Hidden Markov Models (HMM) |
| |
* Statistical Relational Learning | * Statistical Relational Learning |
* Markov Logic Networks (MLN) | * Markov Logic Networks (MLN) |
| |
* Ensemble-basierte Lernalgorithmen | * Ensemble-basierte Lernalgorithmen |