Personal tools

Wissensrepräsentation in der künstlichen Intelligenz

Seminar: Hauptseminar
Professor: Prof. Michael Beetz, PhD
Betreuer: Dominik Jain, Lars Kunze
Zeit, Ort: Donnerstag, 13:30-15:00, MI 02.09.023
Sprache: German
Modul: IN8901

Detailinformationen

Inhalt

Die geeignete Repräsentation von Wissen ist für ein KI-System, wie z.B. ein autonomes Robotersystem, von allergrößter Bedeutung. Das Seminar behandelt verschiedene Ansätze, komplexes Wissen auf eine Art und Weise zu repräsentieren, die sowohl das Lernen von neuem Wissen aus Beobachtungen wie auch das Schlußfolgern von neuen Fakten aus gegebenen Evidenzen und Hintergrundwissen unterstützt. Lernen und Schlußfolgern sind die zwei wesentlichen Eckpfeiler der Kognitionskomponente eines jeden KI-Systems, und dieses Seminar befasst sich konkret mit deren technischer Umsetzung auf der Basis von allgemeinen, meist deklarativen Repräsentationen des zugrunde liegenden Wissens.

Der hohe Grad der Komplexität, der in natürlichen Anwendungsdomänen (z.B. in sämtlichen von Menschen belebten Umgebungen) vorherrscht, erfordert kompakte, verallgemeinernde Repräsentationen. Eine für die Praxis taugliche Wissensrepräsentation muss aber nicht nur gut mit Komplexität umgehen können, sondern sie muss ebenso die inhärente Unsicherheit, die in vielen Bereichen besteht, berücksichtigen; denn die Welt ist nicht deterministisch. Im Rahmen des Seminars werden wir uns deshalb verschiedene Repräsentationen anschauen, die dem heutigen Stand der Wissenschaft entsprechen und sich diesem spannenden aber sehr schwierigen Problem annehmen. Wir werden sie auf ihre Fähigkeiten hin untersuchen, sie anwendungsbezogen bewerten und ausführlich ihr für und wider diskutieren.

Stichworte:

  • Logisches Schlussfolgern: Prolog, nicht-monotones Schlussfolgern und das Yale Shooting Problem, Beschreibungslogik, Prädikatenlogik
  • Probabilistische grafische Modelle und ihre relationalen Erweiterungen (statistisches relationales Lernen)
  • Induktive logische Programmierung
  • Modelle für kontinuierliche Daten
  • Hybride Modelle
  • Sequenzmodelle (Zeit-Serien-Modelle)

Bei Interesse haben die Studierenden die Möglichkeit die im Hauptseminar erworbenen Kenntnisse im Rahmen von Bachelor-/Master-/Diplomarbeiten, interdisziplinären Projekten oder SEPs zu vertiefen.

Wo und Wann

Das Seminar findet blockartig an zwei Terminen statt, siehe Zeitplan auf der Themenseite

Anmeldung und Vorbesprechung

Die Vorbesprechung zum Seminar findet am Freitag, den 30. Januar, um 13:30 Uhr in Raum 02.09.023 statt. Wer den Vorbesprechungstermin nicht wahrnehmen kann soll sich bitte per Email an Dominik Jain wenden.

Anmeldung über MyTUM

Themen

Die konkreten Themen und der Zeitplan ist auf der Themenseite einzusehen.

Ausarbeitung und Vortrag

  • Länge der Ausarbeitung: mind. 14 (allerhöchstens 30) Seiten
  • Dauer des Vortrags: ±30 Minuten, ca. 5 Minuten Fragen

Weitere Anforderungen an die Ausarbeitung und den Vortrag sowie nützliche Informationen und Materialien sind unter Quellen zu finden.

Zielgruppe

Das Seminar richtet sich an Bachelor- (als Seminar IN0014), Master- (als Master-Seminar IN2107) und Diplom-Studenten (als Hauptseminar IN8901).

In KI-Vorlesungen erworbene Vorkenntnisse sind hilfreich aber nicht zwingend erforderlich.

Wichtige Information für Bachelor- und Masterstudenten

In den Bachelor- und Masterstudiengängen zählen Seminare als Prüfungsleistungen, zu welchen eine vorzeitige Anmeldung erforderlich ist. Die Anmeldung erfolgt mit der Zuteilung eines Themas bei der Vorbesprechung. Angemeldete Prüfungen, zu denen die Studierenden nicht erscheinen, werden als "Nicht bestanden (nicht erschienen)" mit der Note 5.0 gewertet. Im Rahmen dieses Hauptseminars wird den Studenten jedoch die Möglichkeit eingeräumt, innerhalb von 6 Wochen nach der Vorbesprechung vom Seminar zurückzutreten. Ein späterer Rücktritt ist nicht mehr möglich.

Document Actions