Περιγραφικές λογικές με αυτοματοποιημένη συλλογιστική και μηχανική μάθηση

Παλασσόπουλος, Βασίλειος; Palassopoulos, Vasileios

dc.contributor.author	Παλασσόπουλος, Βασίλειος	el
dc.contributor.author	Palassopoulos, Vasileios	en
dc.date.accessioned	2018-10-30T10:45:13Z
dc.date.available	2018-10-30T10:45:13Z
dc.date.issued	2018-10-30
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/47857
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.16049
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Περιγραφικές λογικές	el
dc.subject	Αυτοματοποιημένη συλλογιστική	el
dc.subject	Μηχανική μάθηση	el
dc.subject	Οντολογίες	el
dc.subject	Τεχνητή νοημοσύνη	el
dc.subject	Description logics	en
dc.subject	Automated reasoning	en
dc.subject	Machine learning	en
dc.subject	Ontologies	en
dc.subject	Artificial intelligence	en
dc.title	Περιγραφικές λογικές με αυτοματοποιημένη συλλογιστική και μηχανική μάθηση	el
dc.title	Description logics with automated reasoning and machine learning	en
heal.type	bachelorThesis
heal.classification	Ευφυή συστήματα	el
heal.classification	Βασική αναπαράσταση γνώσης και συλλογιστκή	el
heal.classification	Βασική μηχανική μάθηση	el
heal.classification	Basic knowledge representation and reasoning	en
heal.classification	Basic machine learning	en
heal.classification	Intelligent systems	en
heal.classification	Artificial intelligence	en
heal.classification	Description logics	en
heal.classification	Τεχνητή νοημοσύνη	el
heal.classificationURI	http://data.seab.gr/concepts/aeeca99fc63e5f271c42e25accff2693ca5625d7
heal.classificationURI	http://data.seab.gr/concepts/ccf566afd5a3920c352cdd25158c93a7cea3092a
heal.classificationURI	http://data.seab.gr/concepts/fec24cd140d4b110c225ac68fec062a57fb86360
heal.classificationURI	http://data.seab.gr/concepts/ccf566afd5a3920c352cdd25158c93a7cea3092a
heal.classificationURI	http://data.seab.gr/concepts/fec24cd140d4b110c225ac68fec062a57fb86360
heal.classificationURI	http://data.seab.gr/concepts/aeeca99fc63e5f271c42e25accff2693ca5625d7
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh85008180
heal.classificationURI	http://id.loc.gov/authorities/subjects/sh2002004491
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-07-03
heal.abstract	Η παρούσα εργασία παρουσιάζει τις Περιγραφικές Λογικές και τις εφαρμογές τους στην Αυτοματοποιημένη Συλλογιστική και στην Μηχανική Μάθηση, ως επιμέρους κλάδων του ευρύτερου πεδίου της Τεχνητής Νοημοσύνης. Στο αρχικό Κεφάλαιο, παρουσιάζεται το αναγκαίο γενικό πλαίσιο εφαρμογής των Περιγραφικών Λογικών στην Τεχνητή Νοημοσύνη, ξεκινώντας από την έννοια της Αναπαράστασης Γνώσης και συνεχίζοντας με τις έννοιες της Οντολογίας στην Πληροφορική, του Σημασιολογικού Ιστού και της Γλώσσας Οντολογίας Ιστού OWL. Η ανάπτυξη αυτή οδηγεί στην τεκμηρίωση των σημαντικών πλεονεκτημάτων της χρήσης Περιγραφικών Λογικών για τους σκοπούς της Τεχνητής Νοημοσύνης. Στο δεύτερο Κεφάλαιο, παρουσιάζονται οι Περιγραφικές Λογικές ως αποκρίσιμα τμήματα της Πρωτοβάθμιας Κατηγορηματικής Λογικής. Η παρουσίαση ξεκινάει με το συντακτικό και τη σημασιολογία των Περιγραφικών Λογικών. Στη συνέχεια, παρουσιάζονται οι συνηθέστερα χρησιμοποιούμενες Περιγραφικές Λογικές. Το Κεφάλαιο ολοκληρώνεται με τη συγκριτική αντιπαράθεση των Περιγραφικών Λογικών, τόσο μεταξύ τους, όσο και με τις άλλες παρόμοιες Μαθηματικές Λογικές. Στο τρίτο Κεφαλαίο, παρουσιάζεται η Αυτοματοποιημένη Συλλογιστική με Περιγραφικές Λογικές, η οποία ουσιαστικά συνίσταται στην χρήση παραγωγικών κανόνων συμπερασμού (από το γενικό στο ειδικό) για την αυτοματοποιημένη δημιουργία νέας γνώσης από μία Οντολογία Περιγραφικής Λογικής. Η παρουσίαση ξεκινάει με τα προβλήματα της Αυτοματοποιημένης Συλλογιστικής και συνεχίζει με την απαραίτητη θεωρητική βάση για την επεξεργασία αυτών των προβλημάτων. Η επεξεργασία αυτή οδηγεί άμεσα στους αλγόριθμους Αυτοματοποιημένης Συλλογιστικής, από τους οποίους η Μέθοδος του Αναλυτικού Tableau περιγράφεται με μεγαλύτερη λεπτομέρεια. Στη συνέχεια, παρουσιάζεται η αυτοματοποιημένη εξήγηση των αποτελεσμάτων, η αντίστοιχη υπολογιστική πολυπλοκότητα, καθώς και οι Σημασιολογικοί Συλλογιστές οι οποίοι έχουν αναπτυχθεί μέχρι σήμερα για τους σκοπούς της Αυτοματοποιημένης Συλλογιστικής. Το Κεφάλαιο ολοκληρώνεται με το πρόβλημα του μετασχηματισμού των Βάσεων Δεδομένων σε Οντολογίες προκειμένου να χρησιμοποιηθούν στην Αυτοματοποιημένη Συλλογιστική. Στο τέταρτο Κεφάλαιο, παρουσιάζεται η Μηχανική Μάθηση με Περιγραφικές Λογικές, η οποία ουσιαστικά συνίσταται στην χρήση επαγωγικών συμπερασμών (από το ειδικό στο γενικό) για την αυτοματοποιημένη δημιουργία νέας γνώσης από δεδομένα σε μία Οντολογία Περιγραφικής Λογικής. Η παρουσίαση ξεκινάει από ορισμένα γενικά περιγραφικά στοιχεία για τη Μηχανική Μάθηση και στη συνέχεια επικεντρώνεται στον κρίσιμο στόχο, ο οποίος είναι η Μάθηση Έννοιας. Στο πλαίσιο αυτό, παρουσιάζεται ο τυπικός ορισμός του προβλήματος, η στρατηγική επίλυσης του προβλήματος, η κατασκευή αλυσίδων εκλέπτυνσης και η υλοποίηση του στόχου μέσω του λογισμικού ανοικτού κώδικα DL-Learner (Description-Logics Learner). Στο πέμπτο και τελευταίο Κεφάλαιο του παρόντος, παρατίθενται συγκεκριμένα συμπεράσματα, τα οποία προκύπτουν από την εργασία, καθώς και τα υπάρχοντα ανοικτά προβλήματα για την διεύρυνση της χρήσης των Περιγραφικών Λογικών στην Τεχνητή Νοημοσύνη.	el
heal.abstract	The subject of the present Thesis is the presentation of the Description Logics and of their application to Automated Reasoning and Machine Learning, within the context of the greater field of Artificial Intelligence. In the starting Chapter, the necessary framework for the application of Description Logics to Artificial Intelligence is presented. It starts with the concept of Knowledge Representation and continues with the concepts of Ontology in Informatics, of the Semantic Web and of the OWL Ontology Representation Language. These concepts lead directly to the justification of the use and of the significant advantages of Description Logics for the purposes of Artificial Intelligence. In the second Chapter, the Description Logics are presented as decidable fragments of the First Order Predicate Logic. The presentation starts with the syntax and the semantics of Description Logics. Next, the more often used Description Logics are presented. The Chapter concludes with the comparative advantages and disadvantages of Description Logics, both among themselves and in comparison to the other similar Mathematical Logics. In the third Chapter, Automated Reasoning with Description Logics is presented. The main characteristic of this type of Reasoning is the application of deductive inference rules (from general to specific) for the purpose of creating new knowledge from Ontologies based on Description Logics. The presentation starts with the problems of Automated Reasoning and continues with the necessary theoretical base for treating these problems. This treatment leads directly to the relevant Automated Reasoning algorithms, with the method of Analytic Tableau described in more detail. Next, the automated justification of the results and the complexity of the relevant algorithms is presented, together with the Semantic Reasoners, which have been developed up to date for the purposes of Automated Reasoning. The Chapter concludes with the problem of transforming databases into Ontologies for use in Automated Reasoning.In the fourth Chapter, Machine Learning with Description Logics is presented. The main characteristic of this type of Learning is the use of inductive inference (from specific to general) for the purpose of creating new knowledge from Ontologies based on Description Logics. The presentation starts with a general presentation of Machine Learning and it then concentrates on the crucial target of this type of Learning, specifically on the Learning of Concepts. In this respect, the formal definition of the problem is presented, followed by the strategy for solving the problem, the construction of refinement chains, and the final achievement of the objective by means of the open-source software DL-Learner (Description-Logics Learner). In the fifth and final Chapter, specific conclusions from the present Thesis are presented, together with the currently open problems, for the purpose of generalizing the use of Description Logics in Artificial Intelligence.	en
heal.advisorName	Στεφανέας, Πέτρος	el
heal.committeeMemberName	Κολέτσος, Ιωάννης	el
heal.committeeMemberName	Αρβανιτάκης, Αλέξανδρος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	84 σ.	el
heal.fullTextAvailability	true