Pokročilé metody reprezentace znalostí
Kód | Zakončení | Kredity | Rozsah | Jazyk výuky |
---|---|---|---|---|
A4M33RZN | Z,ZK | 6 | 2P+2C | česky |
- Vztahy:
- Předmět A4M33RZN nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE4M33RZN (vztah je symetrický)
- Předmět A4M33RZN může být splněn v zastoupení předmětem AE4M33RZN
- Předmět A4M33RZN nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět AE4M33RZN (vztah je symetrický)
- Předmět je ekvivalentní s AD4M33RZN .
- Garant předmětu:
- Přednášející:
- Cvičící:
- Předmět zajišťuje:
- katedra počítačů
- 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.
- 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:
- http://cw.felk.cvut.cz/doku.php/courses/a4m33rzn/start
- Pro tento předmět se rozvrh nepřipravuje
- Předmět je součástí následujících studijních plánů: