Knowledge Engineering - Interactive curriculae of TU Ilmenau

Logik und Logikprogrammierung

Die Studierenden besitzen Kompetenzen auf dem Gebiet der fortschrittlichen Methoden der modernen Wissensverarbeitung. Die Studierenden kennen und verstehen die Strategien der Datenverarbeitung mit evolutionären/genetischen Algorithmen, mit Inferenzmethoden der KI und dem großen Spektrum des Datamining  und können diese für informatische/ ingenieurinformatische Problemstellungen anwenden. Die Studierenden sind mit den methodischen Grundlagen vertraut und können die wichtigsten Datenanalyse und -verarbeitungs-Techniken erkennen und bewerten, sowie typische Informatikaufgaben mit ihrer Hilfe analysieren und lösen. Sie sind in der Lage, diese Kompetenzen in den Syntheseprozess komplexer ingenieurtechnischer und informatischer Projekte einfließen zu lassen. Die Studierenden kennen und verstehen die grundlegenden Wirkprinzipien von Produkten und Verfahren, bei deren Entwicklung Methoden der Wissensverarbeitung und des Datamining Anwendung fanden, können die Eigung der vermittelten Technologien für eine gegebene Problemlasse bewerten. In der Nachbereitungsphase der Vorlesung haben die Studierenden das Gelernte geübt und wiederholt und können es auf konkrete Aufgabenstellungen in Form von Übungsaufgaben anwenden. In Diskussionen mit den Mitkommilitonen können sie auch deren Argumentation richtig einschätzen und würdigen, berücksichtigen Kritik und nehmen Hinweise an.

(1) Prädikatenkalkül der ersten Stufe (PK1): Wiederholung und sinnvolle Ergänzungen (Sortenlogik, Prädikatenkalkül der ersten Stufe mit Gleichheit)
(2) problembezogene Wissensrepräsentationen der KI und Varianten der Implementierung von Inferenzmethoden darüber
(3) Deduktion: Grundlagen, Deduktionssysteme, Komplexitätsbetrachtungen
(4) Induktion und maschinelles Lernen: Erlernen von Klassifikationsregeln aus Beispielen, Erlernen eines besten induktiven Schlusses im Prädikatenkalkül der ersten Stufe, Verfahren zur Ermittlung des speziellsten Anti-Unifikators über PK1-Ausdrücken, Klassifikation nach Bayes

Data Mining:

(1) Motivation, typische Aufgabenklassen und Anwendungen, Stufenprozess zur Modellbildung, (2) Ähnlichkeitsmaße für Datanobjekte, (3) Entropie der Information und andere Puritätsmaße, (4) Erlernen von Entscheidungsbäumen: schrittweise Verfeinerung von ID3 zu C 4.5 (numerische Attribute, fehlende Attribute), (5) Entscheidungsbäume über regulären Patterns, (6) Erlernen von Klassifikationsregeln top down and bottom up, (7) kNN-Klassifikation, (8) Klassifikation nach Bayes, (9)Bayesian Belief Networks, (10) Support Vector Machines, (11) Ensemle Methoden, (12) diverse Ansätze zum Umgang mit dem "Class Imbalance Problem"

PPT, Tafelbild, Übungsaufgaben als PDF

Inferenzmethoden:

(1) Luger: Künstliche Intelligenz: Strategien zur Lösung komplexer Probleme. München: Pearson Studium (Übersetzung aus dem Addison-Wesley Verlag), 4. Aufl., 2001
(2) Russel/Norvig: Künstliche Intelligenz: Ein moderner Ansatz, München: Pearson Studium (Übersetzung aus dem Addison-Wesley Verlag), 2004
(3) Knauf: Logische Programmierung und Wissensbasierte Systeme: Eine Einführung. Aachen: Shaker, 1993

Data Mining:

(1) Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin: Introduction to Data Mining. ISBN, Pearson Education, 2006.
(2) Markus Lusti: Data Warehousing and Data Mining: Eine Einführung in entscheidungsunterstützende Systeme, ISBN 3-540-42677-9, Springer, 2001.
(3) Petersohn, Helge: Data Mining. Verfahren, Prozesse, Anwendungsarchitektur. ISBN 978-3-486-57715-0, Oldenbourg Verlag, 2005.
(4) Lawrence, Kennth D.; Kudyba, Stephan, Klimberg, Ronald K.: Data Mining Methods and Applications, ISBN 978-0-8493-8522-3, Boca Raton, FL u.a.: Auerbach, 2008.