Ræsonnering med og håndtering af usikkerhed er vigtig i mange områder af kunstig intelligens, for eksempel i ekspertsystemer og robotteknologi, men også i forskellige tilgange til automatiseret læring. Kurset vil give en oversigt over et repræsentativt udvalg af forskellige matematiske modeller til håndtering af usikker viden og læring i en interaktiv kontekst, såsom (multi-agent epistemisk) modallogik, Belief Revision Theory, Bayesiansk sandsynlighedsteori og spilteori. Formålet med kurset er at give den studerende teori og værktøjer, der er nødvendige for at anvende modellerne i forskning og i programmeringspraksis. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Beskrive en række af de mest udbredte teknikker i modellering af usikkerhed og læring.
• Beskrive logikkens rolle i modelleringen af ​​viden, usikkerhed og vidensforandring.
• Beskrive de respektive begrænsninger af logik og sandsynlighed i modellering af læring.
• Sammenligne og vurdere hensigtsmæssigheden af ​​forskellige teknikker til løsning af et givent vidensmodelleringsproblem.
• Vurdere vanskeligheder specifikke for single-agent modellering af viden.
• Vurdere vanskeligheder specifikke for multi-agent modellering af viden.
• Selvstændigt udforske litteraturen relevant for projektet.
• Skrive en rapport i stil med en konferenceartikel.

Se den engelske beskrivelse. Se den engelske beskrivelse. 04. maj, 2023