Skip to main content

Neuro-Symbolic Integration

Winter

(in German: Neuro-Symbolic Integration )
Module-ID: FIN-INF-0

Abbreviation

NeSy

Credit Points

6

Semester

Winter

Term

Duration

1 Semester

Language

english

Level

Master

Link: LSF
Limited accessability:
Responsibility: Martin Glauer
Lecturer: Martin Glauer
Classes:
  • Lectures
  • Exercise Classes
 
Applicability in curriculum: - M.Sc. INF: Informatik
- M.Sc. INF: Informatik Wahlpflicht (SPO 2027)
- M.Sc. INGINF: Informatik
- M.Sc. WIF: Informatik
- M.Sc. WIF: Informatik Wahlpflicht (SPO 2027)
- M.Sc. DKE: Learning Methods and Models for Data Science
- M.Sc. DE: Methoden der Informatik
- M.Sc. DE: Informatik Wahlpflicht (SPO 2027)
- M.Sc. VC: Computer Science
- M.Sc. VC: Computer Science (SPO 2027)

Intended learning outcomes:
Die Absolvent:innen vertiefen die Inhalte der Lehrveranstaltungen Logik und Intelligente Systeme, indem sie lernen, wie diese zu Neuro-Symbolischen Methoden kombiniert werden können. Hierfür werden neuste Forschungsinhalte aus diesem Gebiet vorgestellt und hinsichtlich der Eignung bestimmter Problemstellungen untersucht. Somit lernen Absolvent:innen komplexe Aufgaben aus der Schnittstelle von Anwendung und Forschung selbstständig zu bewältigen. In den Übungen werden auch offene Aufgaben gestellt, bei denen die eigenen Ergebnisse erklärt und kritisch bewertet und ggf alternative Ansätze vorgeschlagen werden sollen. Die Teilnehmenden können so eigene Ideen einbringen und erlangen detailliertes und kritisches Verständnis der Methoden der neuro-symbolischen Integration.

Content:

  • (Fuzzy) Logic
  • Neuro-Symbolic Integration nach von Hamelen
  • Propositional Program Extraction (Arthur, KBANN)
  • Cognitive architectures (CLARION)
  • Logic Tensor Networks
  • Logical Neural Networks
  • Graph Neural Networks
  • Ontology-based Training

Workload:
Total: 180 h

  • Weekly lecture (2 SWS = 28 h)
    • Follow-up work (20 h)
  • Weekly exercise session (2 SWS = 28 h)
    • Completing assignments (84 h)
    • Follow-up work (20 h)

Pre-examination requirements: Type of examination: Teaching method / lecture hours per week (SWS):

  • Active participations during the exercise sessions
  • Voting for exercise tasks

Schriftliche Prüfung/Klausur bzw. elektronische Prüfung (written exam)

Lecture (2 SWS) Exercise (2 SWS)

Prerequisites according to examination regulations: Recommended prerequisites:

keine

Logik/Logic Intelligente Systeme/Intelligent Systems Deep Learning Programming experience (e.g. in Python)

Media: Literature:


Comments:

Back to top