亚利桑那州立大学计算机科学专业知识表示和推理课程介绍

关于本课程

知识表示和推理（KRR，Knowledge representation and reasoning）是人工智能的基本领域之一。它关注的是知识如何用形式语言表示并以自动化方式进行操作，以便计算机可以根据编码的知识做出明智的决策。KRR技术是计算机科学创新的关键驱动力，并在从人工智能到软件工程的广泛领域中取得了重大的实际应用进展。近年来，KRR还从语义网，计算生物学和软件代理开发等新兴领域提出了挑战。这是一门研究生水平的课程，介绍基本概念，并调查知识表示和推理领域的最新研究和发展。

本课程涵盖的具体主题包括：

• 经典逻辑和知识表示。
• 答案集编程。
• 关于行动和计划的推理。
• 本体、语义网络语言和知识图谱。
• 结合逻辑和概率。

涵盖的技术包括：

• 答案集编程（Answer set programming.）。
• Clingo。

所需的先验知识和技能

本课程将非常具有挑战性，因此学习者应具备所需的先验知识和技能和/或在自己的时间学习它和必要的技术。

熟练的数学技能和理论理解

• 代数。
• 经典逻辑。

较强的应用能力

• 编程。

熟练的经验

• 能够有效读取代码。
• 自信地执行至少一种编程语言，如Python，Java，C#，C++或C。

学习成果

完成本课程的学习者将能够：

• 讨论 KRR 的基础。
• 解释不同类别的表示和推理任务。
• 评估表示和推理之间的权衡。
• 确定哪些基于知识的技术适用于哪些任务。
• 将 KRR 系统应用于具有挑战性的现实问题。

每周估计的工作量/时间承诺

您应该期望每周平均花费 18 到 20 小时在这门课程上。

亚利桑那州立大学计算机科学专业知识表示和推理课程的参考书籍介绍：

《MDATA：一种新的知识表示模型：理论、方法和应用(MDATA: A New Knowledge Representation Model: Theory, Methods and Applications)》

《MDATA：一种新的知识表示模型：理论、方法和应用》

知识表示是理解人类如何思考和学习的重要任务。尽管已经提出了许多表示模型或认知模型，例如专家系统或知识图谱，但它们无法以有效的方式表示程序知识，即动态知识。

本书介绍了一种新的知识表示模型，称为MDATA（多维数据关联和智能分析，Multi-dimensional Data Association and inTelligent Analysis）。通过修改知识图谱中实体和关系的表示，可以有效地描述具有时间和空间特征的动态知识。MDATA模型可以看作是一种高级时空知识图谱模型，具有很强的知识表示能力。本书介绍了MDATA模型中的一些关键技术，如实体识别、关系提取、实体对齐、时空因子知识推理等。MDATA模型可以应用于许多关键应用，本书介绍了一些典型的例子，如网络攻击检测、社交网络分析、流行病评估等。

MDATA模型应该引起许多研究领域的读者的兴趣，例如数据库，网络空间安全和社交网络，因为在许多实际场景中自然会出现对知识表示的需求。

《知识表示和机器学习的预测和分析（Prediction and Analysis for Knowledge Representation and Machine Learning）》

《知识表示和机器学习的预测和分析》

学术界正在为统计和机器学习定义许多方法。这些方法用于识别系统的过程和从系统的感知数据创建的模型，帮助科学家生成或改进当前模型。机器学习在科学领域得到了广泛的研究，特别是在生物信息学、经济学、社会科学、生态学和气候科学领域，但对于复杂的场景，需要更多地研究从数据中学习。可以捕获结构和过程属性的高级知识表示方法对于为机器学习算法提供有意义的知识是必要的。它对理解困难的科学问题有重大影响。

《知识表示和机器学习的预测和分析》展示了各种知识表示和机器学习方法和架构，这些方法和架构将在研究中活跃。这些方法通过来自广泛研究主题的真实示例进行审查。有关机器学习中知识表示中实现的许多技术和算法的了解，请访问本图书的附加网站。

本书的关键特征：

• 检查所需知识表示的代表性充分性。
• 操纵知识表示的推理适当性，以产生从原始信息派生的新知识。
• 通过应用自动方法获取新知识来提高推理和获取效率。
• 使用最新技术涵盖知识表示和机器学习的主要挑战、关注点和突破。
• 描述知识表示和相关技术的思想及其应用，以帮助人类变得更好、更聪明。

本书是一本参考书，供在信息技术和计算机科学领域工作的研究人员和从业者在机器学习中的基本和高级概念的知识表示工作。现在，开发自适应、健壮、可扩展和可靠的应用程序以及为日常问题设计解决方案变得非常重要。编辑后的书将对行业人士有所帮助，也将帮助初学者和高级用户学习最新事物，包括基本和高级概念。

《科学知识跨学科生产和再生产的理论与实践：二十一世纪的ID（Theory and Practice in the Interdisciplinary Production and Reproduction of Scientific Knowledge: ID in the XXI Century）》

《科学知识跨学科生产和再生产的理论与实践：二十一世纪的ID》

本书解决了对当前跨学科（ID，interdisciplinary）研究和实践进行大规模和系统分析的迫切需要。它展示了跨学科（ID，interdisciplinary）本质上是一种认知现象，不同于试图克服学科能力和紧急情况的轻浮和无关紧要的尝试。通过ID表明，这是当前科学活动基础的横向理性的表现。正是专业学科的进步需要跨学科的新研究实践和领域之间的新形式衔接，这对科学和教育机构的传统学科结构产生了强烈影响。

本书分为两部分，提出了一个概念框架以及几个关于身份识别实践的案例研究。本书旨在涵盖三个主题。它有助于稳定ID意义，并表征了迄今为止提出的主要ID理论。它建立了对几种ID确定作为一种基本认知现象及其在学科结构和课程组织层面的制度影响的创新而广泛的理解。最后，它区分并绘制了当代科学和教育机构正在使用和测试的身份识别程序和实践的多样性。本书是写给哲学家、科学家和每一个对科学生产和再生产（包括科学教学）感兴趣的人。

《使用条件逻辑和排序函数集的知识表示和归纳推理(Knowledge Representation and Inductive Reasoning Using Conditional Logic and Sets of Ranking Functions)》

《使用条件逻辑和排序函数集的知识表示和归纳推理》

本书的作者Kutsch说，知识表示和推理涉及使用领域或证据知识的显式形式表示来模拟自动化代理中的智能行为。他考虑了具有例外的规则，称为条件，在更广泛的归纳推理背景下表示和推理不确定的知识。本书的主题包括背景、用于计算推理关系闭包的条件分类、推理核心和冗余条件、非单调推理关系的形式属性和评估，以及 InfOCF：在排名模型集上实现推理。

《答案集编程（Answer Set Programming）》

《答案集编程》

答案集编程（ASP，Answer Set Programming）是一种面向组合搜索问题的编程方法。在这样的问题中，目标是在大量但有限的可能性中找到解决方案。ASP的想法来自对人工智能和计算逻辑的研究。ASP 是声明式编程的一种形式：ASP 程序描述什么算作问题的解决方案，但不指定解决问题的算法。搜索由称为答案集求解器的复杂软件系统执行。

组合搜索问题经常出现在科学和技术中，ASP已经在不同的领域找到了应用——历史语言学、生物信息学、机器人技术、太空探索、石油和天然气工业等等。人工智能促进协会在 2016 年认识到了这种编程方法的重要性，当时 AI 杂志发表了一期关于答案集编程的特刊。

本书向读者介绍了ASP的理论和实践。它描述了答案集求解器 CLINGO 的输入语言，该求解器由德国波茨坦大学设计，如今已被许多国家的 ASP 程序员使用。它包括许多ASP程序的示例，并提出了ASP所基于的数学理论。有许多具有完整解答的练习。

《知识表示、推理和智能代理设计：答案集编程方法（Knowledge Representation, Reasoning, and the Design of Intelligent Agents）》

《知识表示、推理和智能代理设计：答案集编程方法》

知识表示和推理是人工智能、声明式编程和能够执行智能任务的知识密集型软件系统设计的基础。本书使用基于答案集编程（ASP，answer set programming）和动作语言的逻辑和概率形式，展示了如何为知识密集型系统提供有关世界的知识，以及如何使用它来解决非平凡的计算问题。作者在智能代理的数学分析和实际设计之间保持平衡。所有概念，如回答查询、计划、诊断和概率推理，都由 ASP 的程序说明。该文本可用于与人工智能相关的本科和研究生课程，以及希望了解有关ASP和知识表示的更多信息的研究人员。

对于学生和专家来说，这是一篇优秀的书籍，用于答案集编程和知识表示。答案集编程是一种基于人工智能的新编程方法，并且已经发现了许多重要的应用。

《通信本体：基于代理的数据驱动还是基于符号的替换驱动？（Ontology of Communication: Agent-Based Data-Driven or Sign-Based Substitution-Driven?）》

《通信本体：基于代理的数据驱动还是基于符号的替换驱动？》

本书全面讨论了数据库语义（DBS）作为一种基于代理的数据驱动理论，描述了自然语言通信的本质工作原理。在语言交流中，智能体在说话模式和听觉模式之间切换，前者由认知内部内容（输入）驱动，导致认知外部原始数据（例如声波或像素，它们没有意义或语法属性，但可以通过自然科学测量），后者由说话者产生的原始数据驱动，导致认知内部内容。
动机是比较两种通信本体的方法：基于代理的数据驱动与基于符号的替换驱动。

基于代理的意思是：设计一个认知代理，具有（i）一个接口组件，用于将原始数据转换为认知内容（识别）并将认知内容转换为原始数据（动作），（ii）用于存储和内容检索的板载内容可寻址存储器（数据库），（iii）说话和听觉模式的单独处理。 数据驱动意味着：（a）将作为说话模式输入的认知内容映射到与语言相关的表面作为输出，（b）将作为听觉模式输入的表面映射到作为输出的认知内容。相反，基于ign意味着：说话和听到模式之间没有区别，而替换驱动意味着：使用单个开始符号作为输入，基于重写规则的替换生成无限多的输出。

本书收集作者最近的研究，这篇美丽、新颖和原创的阐述从对 DBS 的介绍开始，对主语/谓语间隙和插槽填充重复进行了语言绕道，然后继续讨论计算语用学、推理和认知、语法消歧和其他相关主题。本书主要面向在计算语言学领域工作的专家，以及对这一主题的历史和早期发展感兴趣的爱好者，从30年代理论计算机科学和符号逻辑的预计算基础开始。

《模糊逻辑和语义Web语言的基础（Foundations of Fuzzy Logic and Semantic Web Languages）》

《模糊逻辑和语义Web语言的基础》

管理模糊开始在语义网研究中发挥重要作用，大量的研究工作正在进行中。模糊逻辑和语义Web语言基础提供了对语义Web语言中用于表示模糊信息的数学方法和工具的严格而简洁的说明。本书重点介绍了语义网语言的三个主要流派：

• 三重语言RDF和RDFS
• 概念语言 OWL 和 OWL 2，以及它们的配置文件 OWL EL、OWL QL 和 OWL RL
• 基于规则的语言，例如 SWRL 和 RIF

这本书由该领域的一位著名研究人员撰写，是第一本将模糊逻辑和语义Web语言相结合的书。本书的第一部分涵盖了经典（双值）语义Web语言的所有理论和逻辑方面。第二部分解释了如何推广这些语言以应对模糊集合论和模糊逻辑。

本书拥有广泛的参考书目，为非模糊集合论和模糊逻辑专家提供了对模糊语义Web语言的深入见解。它还有助于非语义Web语言的研究人员更好地理解语义Web语言的理论基础。

《知识图谱食谱 （The Knowledge Graph Cookbook）》

《知识图谱食谱 》

《知识图谱食谱》解释了为什么您的组织应该投资开发知识图谱，最重要的是，存在哪些方法可以以高效、成功和可持续的方式开发和集成它们。
* 了解有关基于知识图谱的各种应用的更多信息

* 了解知识图谱如何使组织中不同类别的利益相关者和用户受益

* 了解如何构建工作知识图谱以及使用哪些技术
* 制定下一代企业数据管理的愿景，其中活动语义元数据起着核心作用
《知识图谱食谱》将成为从业者和决策者利用这种方法的许多好处的宝贵资源，特别是它对人工智能战略实施的积极影响。详细了解这种称为语义 AI 的创新方法。《知识图谱食谱》基于作者Andreas Blumauer和Helmut Nagy在语义技术，文本挖掘，数据管理，知识管理和业务用例AI领域积累的20多年经验。

《统计关系人工智能：逻辑、概率和计算（Statistical Relational Artificial Intelligence: Logic, Probability, and Computation）》

《统计关系人工智能：逻辑、概率和计算》

与现实世界交互的智能代理会遇到个体、课程、测试结果、药物处方、椅子、盒子等，需要推理这些个体的属性和他们之间的关系，并应对不确定性。不确定性已经在概率论和图形模型中进行了研究，关系已经在逻辑中进行了研究，特别是在谓词微积分及其扩展中。本书探讨了将逻辑和概率结合成所谓的关系概率模型的基础。它介绍了概率、逻辑及其组合的表示、推理和学习技术。

本书详细介绍了两种表示：马尔可夫逻辑网络，无向图模型和加权一阶谓词演算公式的关系扩展，以及Problog，逻辑程序的概率扩展，也可以被视为贝叶斯网络的图灵完备关系扩展。