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: | true |
| Responsibility: | Martin Glauer |
| Lecturer: | Martin Glauer |
| 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): |
|
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: