|
|
Lehre/Prüfung
Personen Forschungsgruppen Projekte Berichte Veranstaltungen Stellenmarkt Kooperationen Kontakt AIFB Home |
Wissensverarbeitung mit Neuronalen Netzen
Veranstalter: PD Dr. Pascal Hitzler, Sebastian Blohm Zeit | Ort: nach Vereinbarung donnerstags 17:30 - 19:00 | Raum 226, Gebäude 11.40 Vorbesprechung: Donnerstag, 25.10.2007 Fach (Gebiet): Informatik (Seminar) Kreditpunkte: Prüfung:Vortrag und schriftliche AusarbeitungInhalt
Künstliche Neuronale Netze sind eine erfolgreiche Klasse von Algorithmen für Maschinelles Lernen. Motiviert durch die Informationsverarbeitung im Gehirn bestehen Neuronale Netze aus einzelnen kleinen Einheiten, deren Berechnungen durch Vernetzung zusammen gefügt werden. Eine besondere Stärke von Neuronalen Netzen besteht darin, dass sie auch bei unvorhergesehenen Eingabedaten noch angemessen gut reagieren können. Sie werden deshalb bereits für viele Unternehmensanwendung (z.B. der Vorhersage von Marktentwicklungen oder dem Ordnen von Dokumenten) eingesetzt. In letzter Zeit wurden Neuronale Netze entwickelt, die logisch formalisiertes Wissen abbilden und verarbeiten können. Dadurch sollen die Vorteile Neuronaler Netze für Wissensmanagement und -verarbeitung verfügbar gemacht werden. In diesem Seminar sollen solche Ansätze vorgestellt und diskutiert werden.Lernplattform
Alle weiteren Informationen (Termine, Inhalte, Materialien usw) stehen über die Lernplattform Ilias (http://ilias.aifb.uni-karlsruhe.de)zur
Verfügung. Ilias ist eine verbindliche Informationsquelle für Kursteilnehmer. Um Zugang zum Kurs zu erhalten, müssen Sie folgendes tun:
- Folgen Sie diesem Link zur Ilias-Seite der Vorlesung.
- Melden Sie sich mit ihrem Nutzernamen und Passwort vom Rechenzentrum (RZ) an.
- Wechseln Sie auf das Tab "Beitreten". (Verwenden Sie die Suchfunktion Ihres Browsers, falls Sie den entsprechenden Knopf nicht finden sollten).
- Klicken Sie auf Beitreten.
Grundlagenliteratur/Übersichtsartikel (optional bzw. bei Bedarf)
- Einführungsbuch zu Neuronalen Netzwerken. Vorschlag: C. M. Bishop. Neural Networks for Pattern Recognition. Oxford University Press, 1995.
- A. S. d’Avila Garcez, K. B. Broda and D. M. Gabbay. Neural-Symbolic Learning Systems — Foundations and Applications. Perspectives in Neural Computing. Springer, Berlin, 2002.
- Sebastian Bader, Pascal Hitzler. Dimensions of neural-symbolic integration - a structured survey. In: S. Artemov, H. Barringer, A. S. d'Avila Garcez, L. C. Lamb and J. Woods (eds). We Will Show Them: Essays in Honour of Dov Gabbay, Volume 1. International Federation for Computational Logic, College Publications, 2005, pp. 167-194.
- Sebastian Bader, Pascal Hitzler, Steffen Hölldobler. The Integration of Connectionism and First-Order Knowledge Representation and Reasoning as a Challenge for Artificial Intelligence. Information 9 (1), 2006.
Papiere zur Vorstellung im Seminar
Vorgehensweise: Jeder Student bekommt ein Paper, das vorgestellt werden soll. Es sollen dabei auch eng verwandte Arbeiten mit einbezogen werden - der Student soll selbst eine entsprechende Literaturrecherche durchführen.
- F. van der Velde and M. de Kamps. Neural blackboard architectures of combinatorial structures in cognition. Behavioral and Brain Sciences (2006), 29: 37-70.
- A. S. d’Avila Garcez and G. Zaverucha. The connectionist inductive lerarning and logic programming system. Applied Intelligence, Special Issue on Neural networks and Structured Knowledge, 11(1):59–77, 1999.
- Lokendra Shastri, SHRUTI: A Neurally Motivated Architecture for Rapid, Scalable Inference. In: Barbara Hammer and Pascal Hitzler (eds.), Perspectives of Neural-Symbolic Integration. Springer, 2007, to appear. (available from Pascal).
- Sebastian Bader, Pascal Hitzler, Steffen Hölldobler, Andreas Witzel. A Fully Connectionist Model Generator for Covered First-Order Logic Programs. In: Manuela M. Veloso, Proceedings of the Twentieth International Joint Conference on Artificial Intelligence, IJCAI-07, Hyderabad, India, January 2007, AAAI Press, Menlo Park CA, 2007, pp. 666-671.
- Helmar Gust, Kai-Uwe Kühnberger, Peter Geibel, Learning Models of Predicate Logical Theories with Neural Networks Based on Topos Theory. In: Barbara Hammer and Pascal Hitzler (eds.), Perspectives of Neural-Symbolic Integration. Springer, 2007, to appear. (available from Pascal).
- H. Jacobsson. Rule extraction from recurrent neural networks: A taxonomy and review. Neural Computation, 17(6):1223–1263, 2005.
- F. Trentini, M. Hagenbuchner, A. Sperduti, F. Scarselli and A.C. Tsoi. A Self-Organising Map Approach for Clustering of XML Proceedings of the International Joint Conference on Neural Networks (2006)[1]
- Jörg Ontrup and Helge Ritter. A hierarchically growing hyperbolic self-organizing map for rapid structuring of large data sets Proceedings of the 5th Workshop on Self-Organizing Maps, 2005 [2]
|
| © AIFB 2001-2010 |