Advanced Methods for Knowledge Representation

Vztahy:

Předmět AE4M33RZN může při kontrole studijních plánů nahradit předmět A4M33RZN

Předmět AE4M33RZN nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A4M33RZN (vztah je symetrický)

Předmět AE4M33RZN nesmí být zapsán, je-li v témže semestru zapsán anebo již dříve absolvován předmět A4M33RZN (vztah je symetrický)

Garant předmětu:

Přednášející:

Cvičící:

Předmět zajišťuje:

katedra počítačů

Anotace:

This course aims to deepen understanding of knowledge representation principles beyond the predicate logic formalism. Firstly, the course presents ontologies and description logic, the principle elements of semantic web. Then, attention will be paid to statements whose validity varies in time. Uncertainty makes the next issue to be discussed. Modal logic extends the classical logic with additional modalities, namely, possibility, probability, and necessity. Probabilistic graphical models associate the classical probabilistic theory with the graph theory. Fuzzy sets allow to represent vagueness.

Výsledek studentské ankety předmětu je zde: http://www.fel.cvut.cz/anketa/aktualni/courses/AE4M33RZN

Požadavky:

Topics contained in courses A4B33ZUI and A0B01PSI.

Osnova přednášek:

1.Introduction frames and ontologies.

2. Description logic language and its expressivity, interactions with rule-based systems.

3.Description logic inference, tableuax method.

4.Description queries forming and evaluation. Inconsistency in ontologies.

5.Tractable fragments of description logic. Present and future of semantic web.

6.Modal logic definitions and applications.

7.Temporal logic definitions and applications.

8.Uncertainty in knowledge-based systems role and representation.

9.Uncertainty and conditional independence introduction to probabilistic networks.

10. Probabilistic graphical models introduction, inference.

11.Dynamic models applications of probabilistic networks.

12.Fuzzy logic vagueness.

13. Fuzzy logic operations.

14.Fuzzy logic inference.

Osnova cvičení:

1.Introduction, ontological editor Protege.

2.OWL language modeling, examples.

3.Inference engine Pellet.

4.Query language SPARQL.

5.The first assignment OWL ontology for a selected domain, difference between OWA and CWA.

6.The first assignment autonomous working.

7.The first assignment autonomous working.

8.Conjunctive queries working with the ontology.

9.Expert and knowledge-based systems with uncertainty.

10.SW probabilistic modeling tools (Bayes Net Toolbox for Matlab, Bayesian Networks in Java).

11.The second assignment implementation of a probabilistic model.

12.The second assignment autonomous working.

13.Fuzzy sets.

14.Spare slot finishing, credits.

Cíle studia:

To learn advanced formalisms for representation of

structured and uncertain knowledge.

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.

Poznámka:

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

Další informace:

http://cw.felk.cvut.cz/doku.php/courses/ae4m33rzn/start

Pro tento předmět se rozvrh nepřipravuje

Předmět je součástí následujících studijních plánů: