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