Universitaet Potsdam

Werbung
Universität Potsdam
Sommersemester 2004
Kurs: Logik und Lernen
Gastprofessor: Oliver Schulte
Zeit: MW 11:00-12:30
Raum: 201
Unterrichtssprache: Deutsch (mit englischem Lehrmaterial)
Sprechstunden: Dienstag und Freitag um 13 Uhr in 2.07
Leistungspunkte: 3
obligatorisches Material:
1. Inductive Logic Programming, Techniques and Applications
von Nada Lavrac und Saso Dzeroski
Ellis Horwood, New York (1994).
frei erhältlich bei http://www-ai.ijs.si/SasoDzeroski/ILPBook/
2. verschiedene Photokopien (werden verteilt)
empfohlene Quellen:
1. The Foundations of Inductive Logic Programming
von Shan-Hwei Nienhuys-Cheng und Ronald de Wolf.
Springer, Berlin (1997)
2. Relational Data Mining
Herausgeber: Saso Dzeroski und Nada Lavrac
Springer, Berlin (2001)
3. Machine Learning, Kapitel 10, 11, 12.
von Tom Mitchell (1997), McGraw Hill.
Benotung:
30%: Referat
70%: benotete Schlußklausur
Es wird auch unbenote Übungen geben.
Das Referat sollte einen Teil des Lehrmaterials abdecken, das in der betreffenden Woche
zu besprechen ist – wir legen das vor dem Referat fest. Es sollte etwa 45 min dauern,
einschlieszlich Fragen und Diskussion. Sie sollten auch bereit sein, zumindest einige der
Übungen lösen, die in der Woche fällig sind (wir legen etwaige Übungen vor dem
Referat fest).
Bewertungskriterien zum Referat:
-
Richtigkeit
Vollständigkeit
Darstellung (Struktur, Übersichtlichkeit, Deutlichkeit usw.)
Thema
Material
Übung
Logisches Programmieren
Datalog
Operatoren und Fixpunkte
“Deductive Databases”
(verteilt), Skript
Exercise 24.1-24.5, Seite
842, ohne SQL (also
einfach in Datalog
schreiben).
Begrifflernen
ILP: logische Grundlagen
FOIL und verwandte
Systeme
Anwendungen des ILP
umgekehrte Resolution
ILP-Buch, Kap. 1,2
ILP-Buch, Kap. 3
ILP-Buch, Kap. 4, 5
Alternativthemen:
1. ILP und Auswerten von
Datenbanken (data mining,
knowledge discovery)
2. Lernen von Regeln mit
Wahrscheinlichkeit
3. ILP und Lerntheorie
ILP-Buch
ILP-Buch, Kap. 3, “A
Tutorial Introduction to
Cprogol 4.4” (verteilt)
Material aus “Learning
Relational Models” (verteilt)
“Learning Probabilistic
Relational Models”, Getoor,
Friedman, Koller, Pfeffer,
aus “Relational Data
Mining”, und “Learning
Logical Rules”, de Raedt und
Kerstig, ACM Special
Interest Group on Knowledge
Discovery and Data
Kapitel 18 in “Foundations of
Logic Programming”, “The
Mindchange Complexity of
Logic Programs” by Sharma
and Jain
Herunterladen