Die Informatik des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Verwaltung des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Informatik des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Mathematik des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage des Fachbereiches 3 der Universität Bremen Hier geht es zur Homepage der Universität Bremen
Zeige Wirtschaftsinformatik-Format Pdf_icon Informatik-Format Pdf_icon Digitale Medien-Format Pdf_icon Systems Engineering-Format Pdf_icon

Informatik-Ansicht

KI -- Wissensakquisition und Wissensrepräsentation


Artificial Intelligence -- Knowledge Acquisition and Representation
Modulnummer
MB-710.02
Master
Pflicht/Wahl
Wahl Basis Ergänzung
Sonderfall
Zugeordnet zu Masterprofil
Basis Ergänzung
Sicherheit und Qualität
KI, Kognition, Robotik
Digitale Medien und Interaktion
Modulbereich : Praktische und Technische Informatik
Modulteilbereich : 710 Künstliche Intelligenz
Anzahl der SWS
V UE K S Prak. Proj.
2 2 0 0 0 0 4
Kreditpunkte : 6 Turnus

i. d. R. angeboten in jedem WiSe

Formale Voraussetzungen : -
Inhaltliche Voraussetzungen : -
Vorgesehenes Semester : ab 1. Semester
Sprache : Deutsch
Ziele :
  • Die fortgeschrittenen Verfahren, Methoden und Ansätze der Künstlichen Intelligenz praktisch anwenden können

  • Fachliche Kompetenz insbesonders, aber nicht ausschließlich, in den Gebieten Ontologien, Verstehen und Parsen natürlicher Sparache und Multiagenten-Systeme

  • Die Terminologie des Fachgebietes beherrschen

  • Die einzelnen fortgeschrittenen Methoden/Ansätzen der KI in den Gesamtkontext einordnen können

  • Das Fachgebiet (oder Teile des Fachgebietes) im Kontext zu anderen Disziplinen einordnen önnen

  • Fortgeschrittene Verfahren auf einzelne konkrete Aufgabensituationen übertragen und diese lösen können

Inhalte :

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.

Die Ausrichtung der Veranstaltung beinhaltet die Nutzung von aktuellen Werkzeugen, die für die einzelnen Lehrgebiete erhältlich und repräsentativ sind. Die Lehrinhalte sollen insbesondere Bezug zum Stand der Forschung aufweisen. Die Inhalte sind im Einzelnen:

  • Wissensakquisition (Maschinelle Lernverfahren, Data Mining)
  • Wissensrepräsentation (Formale Ontologien, spezielle Entscheidungsverfahren)
  • Verteiltes Wissen (Intelligente Agenten und Multiagentensysteme)

Theoretisch/methodische Inhalte nehmen etwa die Hälfte des Semesters ein und behandeln insbesondere die folgenden Themen:

  • Wissensakquisition (Data Mining und C4.5)
  • Wissensrepräsentation (Formale Ontologien, Beschreibungslogiken)
  • Verteiltes Wissen (ACL und KQML als Agentenkommunikationssprachen, Konflikte bei Agentenkommunikation
Unterlagen (Skripte, Literatur, Programme usw.) :
  • Stuart Russell und Peter Norvig: Artificial Intelligence - A Modern Approach. Prentice Hall International, 2. Auflage (2003)
  • Günther Görz et al.: Handbuch der Künstlichen Intelligenz, Oldenbourg Verlag (2003)
  • Fayyad, U., Piatetsky-Shapiro, G., Smyth, P.: From Data Mining to Knowledge Discovery: An Overview. In U. Fayyad & G. Piatetsky-Shapiro & P. Smyth (Eds.), Advances in Knowledge Discovery and Data Mining (pp. 1-34). Menlo Park, CA: AAAI Press/MIT Press (1996)
  • Kubat, M., Bratko, I., Michalski, R. S.: A Review of Machine Learning Methods. In R. S. Michalski & I. Bratko & M. Kubat (Eds.), Machine Learning and Data Mining: Methods and Application (2nd ed., pp. 3-69). Chichester: John Wiley & Sons Ltd. (1999)
  • Tom Mitchell: Machine Learning, McGraw Hill (1997)
  • Quinlan, J. R.,: C4.5 Programs for Machine Learning, Morgan Kaufmann (1993)
  • Uschold, M., Grüniger, M.,: Ontologies: Principles, Methods and Applications in Knowledge Engineering Review 11 (2), 93-155 (1996)
  • Baader, F., Calvanese, D., McGuinness, D.J., Nardi, D., Patel-Schneider, P.F. (eds.): The Description Logic Handbook. Cambridge University Press, 2003, (2003)
  • Visser, U.,: Intelligent Information Integration for the Semantic Web. Vol. 3159, Lecture Notes in Computer Science, Springer-Verlag (2004)
  • Michael Wooldridge: An Introduction to MultiAgent Systems. Verlag John Wiley & Sons Ltd.. (2001)
  • Gerhard Weiss (ed): Multiagent Systems - A Modern Approach to Distributed Artificial Intelligence. The MIT Press, Cambridge, Messachusetts (1999)
Form der Prüfung : i.d.R. Bearbeitung von Übungsaufgaben sowie Fachgespräch oder mündliche Prüfung
Arbeitsaufwand
Präsenz 56
Übungsbetrieb/Prüfungsvorbereitung 124
Summe 180 h
Lehrende: Prof. M. Beetz, PhD, u.a. Verantwortlich Prof. M. Beetz, PhD
Zurück

Zeige Wirtschaftsinformatik-Format Pdf_icon Informatik-Format Pdf_icon Digitale Medien-Format Pdf_icon Systems Engineering-Format Pdf_icon