Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
DATA SCIENCE
Insegnamento
KNOWLEDGE AND DATA MINING
SCP7079318, A.A. 2017/18

Informazioni valide per gli studenti immatricolati nell'A.A. 2017/18

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
DATA SCIENCE
SC2377, ordinamento 2017/18, A.A. 2017/18
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese KNOWLEDGE AND DATA MINING
Sito della struttura didattica http://datascience.scienze.unipd.it/2017/laurea_magistrale
Dipartimento di riferimento Dipartimento di Matematica
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA

Docenti
Nessun docente assegnato all'insegnamento

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Tecnologie dell'informatica INF/01 3.0
CARATTERIZZANTE Tecnologie dell'informatica ING-INF/05 3.0

Modalità di erogazione
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Organizzazione della didattica
Tipo ore Crediti Ore di
Corso
Ore Studio
Individuale
Turni
LEZIONE 6.0 48 102.0 Nessun turno

Calendario
Inizio attività didattiche 26/02/2018
Fine attività didattiche 01/06/2018

Syllabus
Prerequisiti: Suggested basic knowledge of logics and statistics.
Conoscenze e abilita' da acquisire: Introduce the students to the principles for logics for knowledge representation and reasoning, statistical relational learning, and the combination of the two in order to build system for learning and reasoning in hybrid domains.
Modalita' di esame: Final examination based on: written examination or project development.
Criteri di valutazione: Critical knowledge of the course topics. Ability to present and apply the studied material
Contenuti: (A) Logics for knowledge representation:
(A.i) introduction to propositional logics, syntax, semantics, decision procedure. Satisfiability, weighted satisfiability, and best satisfiability.
(A.ii) First order logics, syntax, semantics, resolution and unification.
(A.iii) Fuzzy logics, syntax, semantics, and reasoning.

(B) statistical relational learning:
(B.i) Graphical models
(B,ii) Markov Logic Networks
(B.iii) Probabilistic prolog,
(B.iii) Logic Tensor Networks
Attivita' di apprendimento previste e metodologie di insegnamento: Lectures supported by exercises and lab
Eventuali indicazioni sui materiali di studio: Lecture notes and slides for the part not covered by textbooks will be provided.
Testi di riferimento:
  • --, --. --: --, --. To be defined