The language was changed to English.

Course Type (SWS)
Lecture: 3 │ Exercise: 1 │ Lab: 0 │ Seminar: 0
Exam Number: ZKD 50012
Type of Lecture:

Lecture with exercise

Language: German
Cycle: SS
ECTS: 6
Exam Type Oral Exam
Written Exam
assigned Study Courses
assigned People
assigned Modules
Information
Beschreibung:

In dieser Vorlesung diskutieren wir, wie Information in eine für den Computer nutzbare Repräsentation transformiert werden kann und wie diese Information in Wissen umgewandelt wird.

Wir starten mit der grundlegenden Frage, was Wissen überhaupt ist, und beschäftigen uns dann mit verschiedenen Arten, Wissen zu kodieren. Wir diskutieren, wie der Grad der Ähnlichkeit zwischen einzelnen Informationen bestimmt werden kann, um Fragen wie „Ist schwarz ähnlich zu weiß?“ beantworten zu können. Dazu nutzen wir eine Vielzahl von menschlich-kuratierten Ressourcen.

Im Teilgebiet des maschinellen Lernens, beschäftigen wir uns damit, wie der Computer lernen kann, Objekte in der realen Welt zu klassifizieren. Dies geschieht entweder mit Hilfe von vom Menschen aufbereiteten Trainingsdaten oder gänzlich unüberwacht. Wir diskutieren verschiedene, allgemein gebräuchliche Algorithmen aus dem Bereich des Maschinellen Lernens und beleuchten Eigenschaften dieser Algorithmen, die bei der Wahl des richtigen Algorithmus für ein konkretes Problem hilfreich sind.

Lernziele:

Die Studierenden kennen verschiedene Arten von Wissen und Ebenen der Wissensrepräsentation. Sie kennen Algorithmen zur Ableitung und Verarbeitung von Wissensrepräsentationen für eine Reihe von praktischen Anwendungsproblemen und können sie erklären. Sie sind in der Lage, Vor- und Nachteile von verschiedenen Repräsentationen und Algorithmen für verschiedene Anwendungen zu diskutieren.

Literatur:

- George F. Luger: Künstliche Intelligenz . Strategien zur Lösung komplexer Probleme. Pearson Studium 2001
- Ronald Brachman, Hector Levesque: Knowledge Representation and Reasoning. Morgan Kaufmann Publishers 2004
- Stuart J. Russell, Peter Norvig: Künstliche Intelligenz. Ein moderner Ansatz. Pearson Studium 2004

Vorleistung:
Infolink:
Bemerkung:
Description:

In this lecture, we will discuss methods how to transform information into a representation suited for computers and how to turn this information into knowledge.

We will start with the foundational question of what knowledge is and advance towards various ways of encoding it. We discuss how the degree of similarity between pieces of information can be determined to answer questions such as “is the color black similar to white?” by using a variety of human-curated resources.

In the subfield of machine learning we explore how the computer learns to classify objects in the real world either from human-prepared data or on its own. We will discuss several machine learning algorithms which are commonly used today and highlight properties that one should consider when choosing between algorithms.

Learning Targets:

Students know different kinds of knowledge and levels of knowledge representations. They know and can explain algorithms for deriving and processing knowledge representations for a number of real-world problems. The students can discuss advantages and disadvantages of different representations and algorithms for different applications.

Literature:

- George F. Luger: Künstliche Intelligenz . Strategien zur Lösung komplexer Probleme. Pearson Studium 2001
- Ronald Brachman, Hector Levesque: Knowledge Representation and Reasoning. Morgan Kaufmann Publishers 2004
- Stuart J. Russell, Peter Norvig: Künstliche Intelligenz. Ein moderner Ansatz. Pearson Studium 2004

Pre-Qualifications:
Info Link:
Notice: