Μηχανική Γνώσης και Συστήματα Γνώσης [open]
Μ. Μαραγκουδάκης
Το μάθημα έχει ως στόχο να μυήσει τους ενδιαφερόμενους στα ντετερμινιστικά και μη ντετερμινιστικά συστήματα γνώσης. Ειδικότερα, στο Σημασιολογικό Ιστό και στις τεχνολογίες που τον διέπουν όπως η XML, RDF και OWL, καθώς επίσης και στα συστήματα διαχείρισης της αβεβαιότητας με κύριο εκφραστή τα δίκτυα πεποίθησης Bayes.
Less
Το μάθημα έχει ως στόχο να μυήσει τους ενδιαφερόμενους στα ντετερμινιστικά και μη ντετερμινιστικά συστήματα γνώσης. Ειδικότερα, στο Σημασιολογικό Ιστό και στις τεχνολογίες που τον διέπουν όπως η XML, RDF και OWL, καθώς επίσης και στα συστήματα διαχείρισης της αβεβαιότητας με κύριο εκφραστή τα δίκτυα πεποίθησης Bayes.
Το μάθημα έχει ως στόχο να μυήσει τους ενδιαφερόμενους στα ντετερμινιστικά και μη ντετερμινιστικά συστήματα γνώσης. Ειδικότερα, στο Σημασιολογικό Ιστό και στις τεχνολογίες που τον διέπουν όπως η XML, RDF και OWL, καθώς επίσης και στα συστήματα διαχείρισης της αβεβαιότητας με κύριο εκφραστή τα δίκτυα πεποίθησης Bayes.
Syllabus
Περιεχόμενο μαθήματος
Συστήματα που αναπαριστούν, οργανώνουν και αξιοποιούν γνώση. Σημασιολογικά δίκτυα, συστήματα πλαισίων, συστήματα βασισμένα σε κανόνες, συλλογισμός με κανόνες (forward και backward chaining), ο αλγόριθμος Rete, σχεδίαση και υλοποίηση συστημάτων κανόνων. Συλλογισμός βασισμένος σε περιπτώσεις (case-based reasoning). Συλλογισμός υπό συνθήκες αβεβαιότητας. Δίκτυα Bayes. Εφαρμογές συστημάτων γνώσης: διαμόρφωση (configuration), σχεδίαση (design), διάγνωση (diagnosis), ταξινόμηση (classification). Εισαγωγή στην Τεχνολογία Σημασιολογικού Ιστού, Δομώντας έγγραφα του Ιστού με την XML, Περιγράφοντας πόρους του Ιστού με το RDF, H γλώσσα Οντολογιών του Ιστού (Ontology Web Language), Λογική και Συμπερασμός: Κανόνες στον Ιστό (Rule markup in XML), Εφαρμογές (Data integration, Information retrieval, Portals, e-Learning, Web Services, κ.λπ.), To περιβάλλον ανάπτυξης οντολογιών Protégé, Protégé και η μηχανή συμπερασμού Pellet σε χρήση.
Μαθησιακοί στόχοι
Με την ολοκλήρωση του συγκεκριμένου μαθήματος, οι φοιτητές αναμένεται να είναι ικανοί: να ερμηνεύουν τον ρόλο της μηχανικής γνώσης μέσα στην Τεχνητή Νοημοσύνη, να αναγνωρίζουν και να ερμηνεύουν τα διάφορα στάδια της ανάπτυξης ενός συστήματος γνώσης, να σχεδιάζουν και να αναπτύσσουν ένα σύστημα γνώσης βασισμένο σε κανόνες, να σχεδιάζουν και να αναπτύσσουν ένα σύστημα γνώσης βασισμένο σε περιπτώσεις, να σχεδιάζουν και να αναπτύσσουν ένα σύστημα γνώσης βασισμένο σε Μπεϋζιανά δίκτυα, να κατανοούν τις μαθηματικές θεμελιώσεις που υπάρχουν στα Μπεϋζιανά δίκτυα, να συγκρίνουν και να αντιπαραθέτουν τα συστήματα βασισμένα σε κανόνες με τα συστήματα βασισμένα σε περιπτώσεις, να σχεδιάζουν και να αναπτύσσουν έννοιες του Σημασιολογικού Ιστού και των Οντολογιών, να συγκρίνουν και να αντιπαραθέτουν τις τεχνολογίες επισημείωσης του Σημασιολογικού Ιστού, να κατασκευάζουν Οντολογίες και συστήματα Συλλογισμού στο Protégé.
Βιβλιογραφία
- Semantic Web for the Working Ontologist, Second Edition: Effective Modeling in RDFS and OWL, Dean Allemang, James Hendler, Morgan Kaufmann, ISBN: 978-0123859655, 2011.
- Modeling and Reasoning with Bayesian Networks , Adnan Darwiche, Cambridge University Press, ISBN: 978-0521884389, 2009.
- Knowledge Representation and Reasoning, Ronald Brachman, Hector Levesque, Morgan Kaufmann, ISBN: 978-1558609327, 2004.
- Knowledge and Representation, by Albert Newen (Editor) , Andreas Bartels (Editor), Eva-Maria Jung (Editor), Center for the Study of Language and Inf, ISBN: 978-1575866307, 2011.
Μέθοδοι διδασκαλίας
Πέρα από τις διαλέξεις και την παροχή εκπαιδευτικού υλικού μέσω της ηλεκτρονικής πλατφόρμας μάθησης του Τμήματος, γίνονται και έξτρα σεμινάρια εργαστηριακού περιεχομένου στις τεχνολογίες της XML, RDF και OWL, στο περιβάλλον Protégé και στα δίκτυα Bayes.
Μέθοδοι αξιολόγησης
Οι συμμετέχοντες εκπονούν από 3-5 εργασίες, οι οποίες μπορεί να είναι είτε προγραμματιστικές ή ερευνητικές, για τις οποίες εξετάζονται από το διδάσκοντα και βαθμολογούνται. Οι εργασίες είναι προαιρετικές και έχουν βαρύτητα 50% στον τελικό βαθμό. Εναλλακτικά, οι συμμετέχοντες μπορούν να επιλέξουν να αξιολογηθούν με το 100% του βαθμού της τελικής εξέτασης.
Προαπαιτούμενα
Δεν υπάρχουν.
Διδάσκοντες
Μαραγκουδάκης Εμμανουήλ
Ο καθηγητής κ. Μαραγκουδάκης Εμμανουήλ έλαβε διδακτορικό από το Τμήμα Ηλεκτρολόγων Μηχανικών & Τεχνολογίας Υπολογιστών , Πανεπιστήμιο Πατρών, δίπλωμα στην Επιστήμη των Υπολογιστών από το Τμήμα Επιστήμης Υπολογιστών, Πανεπιστήμιο Κρήτης. Ο τίτλος της διατριβής είναι "Μοντελοποίηση και Συμπερασμός υπό συνθήκες αβεβαιότητας σε Διαλογικά και άλλα Συστήματα Φυσικής Γλώσσας με Τεχνικές Δικτύων Bayes”.
Εργάζεται ως επίκουρος καθηγητής στο Τμήμα Μηχανικών Πληροφοριακών & Επικοινωνιακών Συστημάτων στο Πανεπιστήμιο Αιγαίου με γνωστικό αντικείμενο την "Εξόρυξη Γνώσης από Δεδομένα".
Επιπρόσθετα, είναι ο τμηματικός υπεύθυνος για το πρόγραμμα: LLP/Erasmus του Πανεπιστημίου Αιγαίου.
Προτεινόμενα συγγράμματα
- Semantic Web Primer, GRIGORIS ANTONIOU, FRANK VAN HARMELEN, Kleidarithmos Publications, ISBN:978-960-461-234-5,2009
- Introduction to Artificial Intelligence and Agent Systems, Ν. Matsatsinis - Ν. Spanoudakis - Α. Samaras, Neon Technologion Publications, ISBN:960-8105-77-3, 2006.
Συστήματα που αναπαριστούν, οργανώνουν και αξιοποιούν γνώση. Σημασιολογικά δίκτυα, συστήματα πλαισίων, συστήματα βασισμένα σε κανόνες, συλλογισμός με κανόνες (forward και backward chaining), ο αλγόριθμος Rete, σχεδίαση και υλοποίηση συστημάτων κανόνων. Συλλογισμός βασισμένος σε περιπτώσεις (case-based reasoning). Συλλογισμός υπό συνθήκες αβεβαιότητας. Δίκτυα Bayes. Εφαρμογές συστημάτων γνώσης: διαμόρφωση (configuration), σχεδίαση (design), διάγνωση (diagnosis), ταξινόμηση (classification). Εισαγωγή στην Τεχνολογία Σημασιολογικού Ιστού, Δομώντας έγγραφα του Ιστού με την XML, Περιγράφοντας πόρους του Ιστού με το RDF, H γλώσσα Οντολογιών του Ιστού (Ontology Web Language), Λογική και Συμπερασμός: Κανόνες στον Ιστό (Rule markup in XML), Εφαρμογές (Data integration, Information retrieval, Portals, e-Learning, Web Services, κ.λπ.), To περιβάλλον ανάπτυξης οντολογιών Protégé, Protégé και η μηχανή συμπερασμού Pellet σε χρήση.
Με την ολοκλήρωση του συγκεκριμένου μαθήματος, οι φοιτητές αναμένεται να είναι ικανοί: να ερμηνεύουν τον ρόλο της μηχανικής γνώσης μέσα στην Τεχνητή Νοημοσύνη, να αναγνωρίζουν και να ερμηνεύουν τα διάφορα στάδια της ανάπτυξης ενός συστήματος γνώσης, να σχεδιάζουν και να αναπτύσσουν ένα σύστημα γνώσης βασισμένο σε κανόνες, να σχεδιάζουν και να αναπτύσσουν ένα σύστημα γνώσης βασισμένο σε περιπτώσεις, να σχεδιάζουν και να αναπτύσσουν ένα σύστημα γνώσης βασισμένο σε Μπεϋζιανά δίκτυα, να κατανοούν τις μαθηματικές θεμελιώσεις που υπάρχουν στα Μπεϋζιανά δίκτυα, να συγκρίνουν και να αντιπαραθέτουν τα συστήματα βασισμένα σε κανόνες με τα συστήματα βασισμένα σε περιπτώσεις, να σχεδιάζουν και να αναπτύσσουν έννοιες του Σημασιολογικού Ιστού και των Οντολογιών, να συγκρίνουν και να αντιπαραθέτουν τις τεχνολογίες επισημείωσης του Σημασιολογικού Ιστού, να κατασκευάζουν Οντολογίες και συστήματα Συλλογισμού στο Protégé.
- Semantic Web for the Working Ontologist, Second Edition: Effective Modeling in RDFS and OWL, Dean Allemang, James Hendler, Morgan Kaufmann, ISBN: 978-0123859655, 2011.
- Modeling and Reasoning with Bayesian Networks , Adnan Darwiche, Cambridge University Press, ISBN: 978-0521884389, 2009.
- Knowledge Representation and Reasoning, Ronald Brachman, Hector Levesque, Morgan Kaufmann, ISBN: 978-1558609327, 2004.
- Knowledge and Representation, by Albert Newen (Editor) , Andreas Bartels (Editor), Eva-Maria Jung (Editor), Center for the Study of Language and Inf, ISBN: 978-1575866307, 2011.
Πέρα από τις διαλέξεις και την παροχή εκπαιδευτικού υλικού μέσω της ηλεκτρονικής πλατφόρμας μάθησης του Τμήματος, γίνονται και έξτρα σεμινάρια εργαστηριακού περιεχομένου στις τεχνολογίες της XML, RDF και OWL, στο περιβάλλον Protégé και στα δίκτυα Bayes.
Οι συμμετέχοντες εκπονούν από 3-5 εργασίες, οι οποίες μπορεί να είναι είτε προγραμματιστικές ή ερευνητικές, για τις οποίες εξετάζονται από το διδάσκοντα και βαθμολογούνται. Οι εργασίες είναι προαιρετικές και έχουν βαρύτητα 50% στον τελικό βαθμό. Εναλλακτικά, οι συμμετέχοντες μπορούν να επιλέξουν να αξιολογηθούν με το 100% του βαθμού της τελικής εξέτασης.
Δεν υπάρχουν.
Μαραγκουδάκης Εμμανουήλ
Ο καθηγητής κ. Μαραγκουδάκης Εμμανουήλ έλαβε διδακτορικό από το Τμήμα Ηλεκτρολόγων Μηχανικών & Τεχνολογίας Υπολογιστών , Πανεπιστήμιο Πατρών, δίπλωμα στην Επιστήμη των Υπολογιστών από το Τμήμα Επιστήμης Υπολογιστών, Πανεπιστήμιο Κρήτης. Ο τίτλος της διατριβής είναι "Μοντελοποίηση και Συμπερασμός υπό συνθήκες αβεβαιότητας σε Διαλογικά και άλλα Συστήματα Φυσικής Γλώσσας με Τεχνικές Δικτύων Bayes”.
Εργάζεται ως επίκουρος καθηγητής στο Τμήμα Μηχανικών Πληροφοριακών & Επικοινωνιακών Συστημάτων στο Πανεπιστήμιο Αιγαίου με γνωστικό αντικείμενο την "Εξόρυξη Γνώσης από Δεδομένα".
Επιπρόσθετα, είναι ο τμηματικός υπεύθυνος για το πρόγραμμα: LLP/Erasmus του Πανεπιστημίου Αιγαίου.
- Semantic Web Primer, GRIGORIS ANTONIOU, FRANK VAN HARMELEN, Kleidarithmos Publications, ISBN:978-960-461-234-5,2009
- Introduction to Artificial Intelligence and Agent Systems, Ν. Matsatsinis - Ν. Spanoudakis - Α. Samaras, Neon Technologion Publications, ISBN:960-8105-77-3, 2006.
- Διαφορές σημερινού Ιστού από το ΣΙ
- Το όραμα του ΣΙ
- Διαχείριση Γνώσης
- ΣΙ και Ηλεκτρονικό Εμπόριο
- Οντολογίες
- DTD
- XML σχήμα
- Ετικέτες XML
- Εισαγωγή στην XPATH
- XSLT
- Πόροι
- Προτάσεις
- Υποστασιοποίηση
- Εντολές RDF
- RDF σχήμα
- SPARQL ερωτήματα
- Εντολές OWL
- Εισαγωγή στο εργαλείο Protege
- Μηχανές Συλλογισμού (π.χ. PELLET)
- Δομή και πίνακας κατανομών
- Εκπαίδευση Δικτύων από δεδομένα
- Συλλογιστική (ακριβής και κατά προσέγγιση)
- Εφαρμογές δικτύων Bayes
- forward και backward chaining
- ο αλγόριθμος Rete
- σχεδίαση και υλοποίηση συστημάτων κανόνων
- συλλογισμός βασισμένος σε περιπτώσεις (case-based reasoning)
Open Academic Course
Num. of Visits : 3015
Num. of Hits : 12300