Logik und Logikprogrammierung, Teil Logikprogrammierung

Hier werden die Materialian zum Teil Logikprogrammierung dieses Kurses bereitgestellt.

IM (THiNKI)

Deduktion

Induktion

Knowledge Engineering

Das Modul setzt sich aus den Fächern

  • Inferenzmethoden (2 SWS): Mi, 09:00-10:30 Uhr: HU 013
  • Data Mining (2 SWS): Data Mining: Do, 11:00-14:30 Uhr, H 1520B

Im Rahmen eines Projektes erstellen wir derzeit auch e-Learning Kurse. Für das Fach Inferenzmethoden ist der gerade in der Testphase. Fühlen Sie sich frei, parallel zur Vorlesung am Test teilzunehmen und die dort implementierten Teile des Kusinhaltes sturukturiert nachzuarbeiten. Dieses Fach Fach gliedert sich in diesem Testkurs in drei Abschnitte, die Sie in Moodle hier finden:


Programmierparadigmen der Künstlichen Intelligenz

Grundkenntnisse in mathematischer Logik

Lernergebnisse

naturwissenschaftliche und angewandte Grundlagen, Einbindung des angewandten Grundlagenwissens der Informationsverarbeitung

Inhalt

(1) Einordnung der KI in die Informatik, Forschungsgebiete der KI, Historisches, (2) Logische Grundlagen: Prädikatenkalkül der ersten Stufe, Folgerungsbegriff, Ableitungsverfahren, Vollständigkeit und Korrektheit von Inferenzverfahren (3) Logische Programmierung: Einordnung des logischen Programmierparadigmas, algorithmische Realisierung des ROBINSON-schen Inferenzverfahrens, komplexitätstheoretische Betrachtung verschiedener Rekursionsarten (4) Funktionale Programmierung: LISP-Programmierung, Entwurf und Implementierung rekursiver Problemslösungsstrategien

Medienformen

Skript, Power-Point Präsentation, Aufgabensammlung

Literatur

(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

Vorkenntnisse: fundierte Kenntnisse in mathematischer Logik und Wahrscheinlichkeitstheorie

Lernergebnisse: Vermittlung von grundlegender Methoden und Techniken

Inhalt: 

(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”

Medienformen: Skript, Power-Point Präsentation, Aufgabensammlung

Literatur:              (1) Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin: Introduction to Data Mining. ISBN, Pearson Education, 2006.


Inferenzmethoden

Vorkenntnissefundierte Kenntnisse in mathematischer Logik und Wahrscheinlichkeitstheorie
LernergebnisseVermittlung von grundlegender Methoden und Techniken
Inhalt

(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”

 

MedienformenSkript, Power-Point Präsentation, Aufgabensammlung
Literatur(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.

Logische Programmierung (für Wirtschaftsinformatiker)

Diese LV richtet sich an Master-Studierende des Studienganges Wirtschaftsinformatik. Ich habe eine inhaltlich nahezu identische Vorlesung aus dem Jahre 2006 hier verlinkt:

http://streaming.fem.tu-ilmenau.de/portal/category.query?id=5

Für diejenigen Studierenden, die im Bachelor-Studium die LV "Programmierparadigmen der IK" belegt haben, sind die Vorlesungen 1-4 lediglich eine Wiederholung dessen, was sie eigentlich schon wissen sollten; für diese Studierenden sind die Vorlesungen 5 und folgende relevant. Studierende, die diese LV aus dem Bachelor-Studium nicht belegt haben, sollten sich aber die Vorlesungen 1-4 unbedingt auch ansehen.

Die Folien der aktuellen Vorlesung (2020) sind nahezu identisch und hier zu finden, siehe "Logische Programmierung, Stg. Wirtschaftsinformatik":

https://www.tu-ilmenau.de/ki/lehre/

Dort finden Sie auch Übungsaufgaben und die in den Folien behandelten Beispielprogramme in Visual Prolog. Die Entwicklungsumgebung zu Visual Prolog" finden Sie auch auf der o.g. Seite unter "Praktikum Künstliche Intelligenz"

Zudem habe ich mein Lehrbuch eingestellt, in welchem die Abschnitte 1-4 (mit Ausnahme von 3.5) des ersten Teiles relevant sind:

https://www.tu-ilmenau.de/fileadmin/media/ki/lehrveranst/LogProg/LogischeProgrammierung.pdf