Differences

This shows you the differences between two versions of the page.

Link to this comparison view

teaching:le-ki2-ws19 [2019/10/02 09:21] (current)
nyga created
Line 1: Line 1:
 +====== KI - Wissensakquisition und Wissensrepräsentation ======
 +
 +|< 100% 33% 66%>|
 +^Dauer^4 SWS^
 +^Art^Vorlesung mit Übung^
 +^Semester^WS2019/​20^
 +^Dozent^Dr. Daniel Nyga^
 +^Übungsleitung^Mona Abdel-Keream^
 +^Sprache^Deutsch^
 +^Empfohlende Voraussetzung^[[:​teaching:​le-ki1=ss19|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, 21.10.2019^ \\
 +
 +Organisatorisches sowie Vorlesungsmaterialien können auf der Stud.IP-Seite zur Veranstaltung gefunden werde: [[https://​elearning.uni-bremen.de/​dispatch.php/​course/​overview?​cid=05f0c9698045141f2efc914bd5d26fc4|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