Logo ČVUT
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
STUDIJNÍ PLÁNY
2018/2019

Pokročilé metody reprezentace znalostí

Předmět není vypsán Nerozvrhuje se
Kód Zakončení Kredity Rozsah Jazyk výuky
AD4M33RZN Z,ZK 6 14+6c česky
Přednášející:
Cvičící:
Předmět zajišťuje:
katedra kybernetiky
Anotace:

Kurz navazuje na bakalářský předmět A4B33ZUI a prohlubuje chápání reprezentace znalostí nad rámec formalismu výrokové a predikátové logiky. Studenti se seznámí s ontologiemi a deskripční logikou, základními stavebními kameny sémantického webu. Dále bude pozornost věnována rozšíření logického systému o pravděpodobnostní atributy typu možnosti a nutnosti. Pravděpodobnostní grafické modely spojují klasickou pravděpodobnost s teorií grafů. Umožňují zjednodušenou reprezentaci sdružené pravděpodobnosti a efektivní usuzování. Fuzzy množiny umožňují vyjádřit vágní informaci.

Výsledek studentské ankety předmětu je zde: http://www.fel.cvut.cz/anketa/aktualni/courses/A4M33RZN

Požadavky:

Znalosti z předmětů A4B33ZUI a A0B01PSI.

URL: http://cw.felk.cvut.cz/doku.php/courses/a4m33rzn/start

Osnova přednášek:

1. Úvod: od rámců k použití ontologií.

2. Deskripční logika - jazyk a jeho vyjadřovací schopnost. Srovnání/spolupráce s pravidlovými systémy.

3. Deskripční logika - specifické postupy používané pro odvozování, metoda

tableaux.

4. Formulace a vyhodnocování dotazů v DL. Výskyt nekonzistence v ontologii a

jeho vysvětlení.

5. Výpočetně zvladatelné fragmenty DL. Sémantický web a co dál?

6. Nejistota, podmíněná nezávislost, úvod do pravděpodobnostních sítí.

7. Inference v bayesovských sítích.

8. Učení bayesovských sítí z dat.

9. Dynamické pravděpodobnostní modely, spojité veličiny, neorientované grafy.

10. Role a zpracování nejisté a nepřesné informace ve znalostních systémech.

11. Fuzzy množiny a jejich reprezentace.

12. Fuzzy čísla a operace s nimi.

13. Operace s fuzzy množinami.

14. Algebra fuzzy operací.

Osnova cvičení:

1. Úvod, seznámení s ontologickým editorem Protege. Příklad na modelování ontologií v jazyku OWL. Zadání úlohy.

2. Inference s pomocí inferenčního stroje Pellet. Rozdíl mezi OWA (Pellet) a CWA (Prolog). Řešení úlohy.

3. Dotazovací jazyk SPARQL. Řešení úlohy.

4. Vysvětlení modelovacích chyb. Odevzdání úlohy. Test deskripční logiky.

5. Modality a čas v logice - připomenutí.

6. Softwarové nástroje pravděpodobnostního modelování (Bayes Net Toolbox for Matlab). Zadání úlohy.

7. Početní řešení inferenčních úloh. Implementace řešení úlohy v BNT.

8. Ilustrace učení bayesovských sítí z dat. Implementace řešení úlohy v BNT.

9. Odevzdání úlohy. Test na grafické pravděpodobnostní modely.

10. Vzájemný převod reprezentací fuzzy množin.

11. Fuzzy čísla a operace s nimi, zadání úlohy.

12. Operace s fuzzy množinami.

13. Vlastnosti fuzzy operací, odevzdání úlohy, test fuzzy.

14. Rezerva, zápočty.

Cíle studia:

Seznámit se s pokročilejšími formami reprezentace strukturované a neurčité znalosti.

Studijní materiály:

[1] Franz Baader , Diego Calvanese , Deborah L. McGuinness , Daniele Nardi , Peter F. Patel-Schneider, The Description Logic Handbook, Cambridge University Press, New York, NY, 2007.

[2] Baader, F., Sattler U.: An overview of tableau algorithms for description logics ; Studia Logica, 69:5-40, 2001.

[3] Charniak, E.: Bayesian Networks without Tears. AI Magazine 12(4): 50-63, 1991.

[4] Pearl , J.: Causality: Models, Reasoning and Inference. Cambridge University Press, 2001.

[5] Navara, M., Olšák, P.: Základy fuzzy množin. Skriptum ČVUT, 2. (přepracované) vydání, Praha, 2007.

Poznámka:

Rozsah výuky v kombinované formě studia: 14p+6c

Další informace:
Pro tento předmět se rozvrh nepřipravuje
Předmět je součástí následujících studijních plánů:
Platnost dat k 25. 8. 2019
Aktualizace výše uvedených informací naleznete na adrese http://bilakniha.cvut.cz/cs/predmet1202206.html