数据与知识工程1
计算机应用技术(081203)
计算机应用技术（081203）(Computer Application Technology)学科门类：工学（08）一级学科：计算机科学与技术（0812）“计算机应用技术”是“计算机科学与技术”一级学科下属的二级学科，着重研究计算机在国民经济各行业和社会生活各领域应用的理论、方法和技术。
本学科1996年成为水利部重点学科，2005年获得二级学科博士学位授予权，2009年批准设立博士后流动站。
本学科主要在软件工程、数据库、万维网、人工智能、信息安全、信号与信息处理等学科领域开展前沿研究；本学科具有较强的研发实力，承担了国家重点基础研究发展（973）计划、国家高技术研究发展（863）计划、国家和省部级自然科学基金等研究课题，以及三峡工程、数字黄河工程和国家防汛抗旱指挥系统等多项重大研发项目，取得了显著的经济与社会效益，已成为我国（尤其是水利行业）计算机应用研究和创新人才培养的重要基地。
一、培养要求热爱祖国，有较高道德修养和严谨求实的治学精神；掌握坚实宽广的基础理论和系统深入的专业知识，并取得创新性研究成果；具备独立开展科学研究的能力，能胜任高等学校、科研院所及高科技企业的教学、研究、开发和管理工作。
二、主要研究方向1. 软件新技术（Novel Software Technologies）2. 智能信息处理（Intelligent Information Processing）3. 语义网与万维网科学（Semantic Web & Web Science）4. 数据与知识工程（Data & Knowledge Engineering）5. 信息安全与可信计算（Information Security & Trusted Computing）6. 信号与信息处理（Signal & Information Processing）三、学分要求博士生课程总学分为18个学分，其中学位课程为12个学分，非学位课程为6学分；另设教学环节。
知识工程研究与应用
知识工程研究与应用在当今信息技术发展迅速的时代，知识工程作为一种新型的跨学科、综合性的知识技术，对于促进信息化建设和应用具有非常重要的意义。
知识工程涉及到众多的知识领域，其本质是通过机器学习和人工智能技术的不断拓展和提升，在人们需要的时候能够直接基于知识库、知识图谱、专家系统等方式提供提高决策效率、降低成本、缩短项目周期等方面的服务和支持，是一种极具应用前景的技术。
本文将就知识工程的研究状况、技术实现、应用场景和未来展望等方面进行分析。
一、知识工程的研究现状知识工程起源于20世纪80年代，此后经过了近40年的不断研究和发展，已经成为人工智能等相关领域一个重要的研究方向。
目前的知识工程主要包括知识表示、知识获取、知识推理和知识维护等几个方面的研究。
知识表示主要关注如何将实体、关系和约束等知识元素进行形式化的表达和表示，以便计算机能够识别和处理。
其中，知识图谱是一个重要的知识表示方式，它能够以图谱的方式展示出实体之间的关系和属性，从而实现高效地信息检索和知识共享。
知识获取是指从不同来源获取知识，包括主动式获取和被动式获取。
主动式获取主要指人工采集、草拟、编辑，被动式获取则是通过自动化工具实现。
在人工智能领域，深度学习技术的发展，使得能够自适应性地从海量数据中自动抽取知识成为可能。
知识推理是指基于已有的知识，通过推理引擎实现推断和解释，并生成新的知识。
专家系统是最为代表性的知识推理应用，可以根据用户提出的问题或者决策需要，自动推理出最佳的解决方案或者建议。
知识维护是指对已有知识进行修正、更新、充实和删除等操作，使得知识体系能够不断完善和发展。
针对知识维护的问题，相关领域提出了许多方法与技术。
二、知识工程的技术实现知识工程涉及到多种技术手段，包括自然语言处理、机器学习、数据挖掘和人机交互等领域的技术。
其中，自然语言处理技术是实现知识工程的关键技术之一。
它包括语音识别、文本分析、信息抽取、机器翻译等方面的技术，能够有效地提高知识工程的处理效率和精度。
数据与知识工程 7 KDD(1)
数据与知识工程 ——数据挖掘与知识发现 数据挖掘与知识发现
Outline
Motivation: Why data mining? What is data mining? Data Mining: On what kind of data? Data mining functionality Are all the patterns interesting? Classification of data mining systems Major issues in data mining
主要的数据挖掘功能 (6)
趋势和演变分析
描述行为随时间变化的对象的发展规律或趋势
趋势和偏差: 回归分析 序列模式匹配：周期性分析 基于类似性的分析
例如：预测股票市场价格的未来走向。
其他定向模式或统计分析
挖掘后得到的所有模式都是有趣的吗？ 挖掘后得到的所有模式都是有趣的吗？
数据挖掘可能产生数以千计的模式或规则，但并不是所 有的模式或规则都是令人感兴趣的。 模式兴趣度的度量
空间数据库
空间数据库是指在关系型数据库（DBMS）内部对地理 信息进行物理存储。空间数据库中存储的海量数据包括 对象的空间拓扑特征、非空间属性特征以及对象在时间 上的状态变化。 常见的空间数据库数据类型
地理信息系统(GIS) 遥感图像数据 医学图像数据
数据挖掘技术的应用：通过空间分类和空间趋势分析， 引入机器学习算法，对有用模式进行智能检索
从大量的数据中抽取出潜在的、不为人知的有用信息、模式 和趋势。 Alternative names:
Knowledge discovery in databases (KDD), knowledge extraction, data/pattern analysis, business intelligence, etc.
数据工程与知识工程教育部重点实验室工作简讯
数据工程与知识工程教育部重点实验室工作简讯2009年第6期（总第6期）重点实验室办公室主办 2009年7月15日本 期 要 目◇重要活动：电子文件管理国家战略国际学术研讨会成功举办第二届“非结构化数据管理研讨会”顺利召开王珊教授团队在惠普中国研究院进行视频数据库研究成果演示◇学术交流：美国麻省大学李晓白副教授在实验室做学科国际前沿学术报告美国南加州大学黄凯教授在实验室做学科国际前沿学术报告重点实验室师生访问微软亚洲研究院毛明博士应邀访问重点实验室◇项目进展：国家863计划目标导向项目“纯XML-关系数据库系统PXRDB研制与应用”项目启动会成功召开北京市教委产学研合作项目“基于内存的联机分析处理系统”顺利通过验收◇论文发表2009年6月份文章发表或被录用情况介绍◇师生新闻：石文昌教授与梁朝晖博士编著的教材《信息系统安全概论》入选法兰克福国际书展 实验室博士生杨婧赴丹麦参加SSTD’09会议◇重要活动电子文件管理国家战略国际学术研讨会成功举办2009年6月20日，“电子文件管理国家战略国际学术研讨会”在中国人民大学逸夫会议中心成功举办，这次研讨会由中国人民大学信息资源管理学院和国家自然科学基金“我国电子文件管理国家战略的基础理论与框架体系研究”项目组共同举办的。
中国人民大学副校长冯惠玲教授，数据工程与知识工程教育部重点实验室副主任赵国俊教授、张斌教授、安小米教授等，以及来自国家局、部分省局、部委、企业的专家学者和高校师生等100多人参加了此次研讨会。
冯惠玲教授、刘越男副教授、钱毅副教授作为中方发言人分别发表了主题演讲。
此次研讨会邀请到了美国、加拿大、澳大利亚和荷兰国家档案馆的专家，以及加拿大安大略湖档案馆主管电子文件的高级管理员。
他们领导和直接参与了当今世界上最有影响力的电子文件管理项目，在这个领域有着卓越的实践和丰富的经验，与会期间，他们分别就他们所在国家和档案馆在电子文件管理方面的成效进行了主题演讲。
清华大学王牌专业-计算机科学与技术
清华大学王牌专业——计算机科学与技术系一、清华大学计算机科学与技术系介绍清华大学计算机科学与技术系(以下简称计算机系)成立于1958年。
经过50多年的不懈努力,已发展成为我国计算机学科领域内教学、科研综合实力强,影响力大的计算机系,在中国计算机事业的发展乃至国民经济建设中发挥着重要的作用。
1996年,计算机系在由国务院学位办公室主持的全国计算机学科评估中排名第一,在国内首批获得按一级学科招收和培养研究生的资格;2002年在全国学位与研究生教育发展中心开展的一级学科整体水平评估中,计算机系在总共4个分项指标中,3项(学术队伍、人才培养、学术声誉)在全国排名第一。
2006年在全国学位与研究生教育发展中心开展的一级学科整体水平评估中,以总分满分100分的成绩排名第一。
目前本系拥有一支从事计算机研究与教育、具备良好素质的师资队伍。
全系共有教师110名,其中:中科院院士1名,工程院院士2名,教授41名,副教授39名,具有博士学位的教师39名。
本科生在校人数689名(含留学生),博士研究生475名;硕士研究生463名;工程硕士生302名,博士后50多名。
每年进入本系的各省市高考状元每年进入本系的各省市高考状元每年进入本系的各省市高考状元每年进入本系的各省市高考状元约占全国的三分之一。
计算机系设有计算机科学与技术一级学科,属全国首批国家重属全国首批国家重属全国首批国家重属全国首批国家重点一级学科点一级学科点一级学科点一级学科。
该一级学科下包含有计算机系统结构、计算机软件与理论、计算机应用技术三个二级学科。
计算机系这三个二级学科同样全部为全国重点二级学科,是全国少数拥有全部重点二级学科单位之一。
同时,计算机系还是“智能技术与系统”国家重点实验室的主要依托单位,三次评估均为优秀,两次荣获集体“金牛奖”。
计算机系包含了国内计算机专业最全的学科方向,设有网格与高性能计算、CPU设计、计算机网络、网络与信息系统安全、系统性能评价、理论计算机科学、数据工程及知识工程、软件工程、计算机与VLSI设计自动化、软件理论与系统、生物计算及量子计算、人工智能、智能控制及机器人、人机交互与普适计算、计算机图形学与可视化技术、CAD技术、计算机视觉、媒体信息处理等研究方向。
内蒙古自治区数据挖掘与知识工程重点室-内蒙古大学科学技术处
内蒙古自治区“数据挖掘与知识工程”重点实验室简介研究方向采取跨学科的方式，利用计算机科学、管理学、应用数学、行为科学等知识，以数据挖掘、智能决策、社会系统分析与计算为核心，开展以下方面的研究：1）数据挖掘和知识发现借助统计学、人工智能、模式识别、机器学习、建模技术等诸多方法，在数据挖掘、机器学习、知识工程等方面进行研究，并将这些研究成果应用于生物计算、测绘测控、金融分析、防灾减灾等领域。
2）决策支持与智能系统利用数学规划、神经网络、遗传算法等系统优化方法，围绕智能和决策系统开展探索性研究，为决策者提供分析问题、建立模型、模拟决策过程和方案的环境，调用各种信息资源和分析工具，帮助决策者提高决策水平和质量。
3）城市交通系统分析与计算以动态系统理论为基础，结合数学规划理论、博弈论、统计学和行为科学等有关知识，通过建立动态系统演化模型来深入分析城市交通网络中车辆流的演化过程，探索各种车辆流状态的形成机理，揭示交通流的演变轨迹，认识演化趋势，结合特定的城市交通运行环境，提出缓解、防范城市交通拥堵和提高车辆出行服务质量的基本理论与方法。
4）人群动态系统分析以动态系统理论为基础，结合数学规划、排队论、统计学和行为科学等有关知识，通过采用数学模型、模拟实验、实际数据采集、模型校正、解析推导与数值分析相结合的方法再现封闭区域中行人流的动态移动过程，探索其中行人疏散状态的形成原因，建立介于网络和区域之间的行人流动态演化模型，再现大型建筑物中行人流的动态移动行为和策略，揭示行人的移动规律，认识行人不协调移动的内在机理。
提出提高相关场所服务质量的基本理论与方法，以达到改善建筑物安全性，降低事故发生几率，减小行人疏散损失的目的。
学科带头人和研究团队该实验室现有教授3人、博士7人。
实验室成员来自计算机科学、管理学科与工程、应用数学、物理学、行为科学等多个学科，具有丰富的知识交叉互渗经验和优良的团队合作研究氛围。
学科带头人郭仁拥，男，博士，教授、博导。
数据与知识工程
异常检测
异
从数据中发现与正常模
常
式不一致的对象或行为。 检
测
利用数据点的密度信息 进行异常检测，通常将 低密度区域中的点视为
异常点。
基于 统计 的异 常检 测
利用深度学习模型进行异常 检测，通常采用无监督学习 的方式训练模型，然后利用
模型进行异常检测。
基于 密度 的异 常检 测
利用统计学方法对数据 进行建模，然后根据模 型判断数据是否异常。
一种聚类分析方法，通过将数 据集中的对象按照相似性进行 层次分解，形成一棵聚类树， 从而发现数据集中的层次结构 。
分类与预测
决策树分类
一种常见的分类方法，通过构建 决策树对数据进行分类，决策树 节点表示属性上的判断条件，叶 子节点表示类别标签。
分类与预测
利用已知的数据集构建分类器或 预测模型，对未知的数据进行分 类或预测。
情感分析
社交媒体分析可以对社交媒体平台上的文 本和评论进行情感分析，了解消费者对产 品和服务的态度和评价。
生物信息学
生物信息学概述
生物信息学是一种利用计算机科学和信息管理的原理和技术，研究生 物信息的获取、处理、存储、分发和解释的学科。
基因组学
生物信息学在基因组学中的应用包括基因组序列分析、基因表达分析 和基因变异研究等。
专家系统结构
03
专家系统应用
包括知识库、推理机、人机界面 等部分。
在医疗、金融、工业等领域应用 专家系统，提高决策的准确性和 效率。
机器学习与知识发现
机器学习
通过训练数据自动学习模型和算法，实现分类、聚类、预测等功 能。
知识发现
从大规模数据中提取有用的模式和规则，形成新的知识。
机器学习与知识发现的应用
知识工程
知识管理的定义
GB/T 23703.1—2009
知识管理（Knowledge Management） 对知识、知识创造过程和知识的应用进行
规划和管理的活动。
企业现行知识管理实施三大主要困惑
1-重复整理 知识，已有 知识库的应 用。
2-海量知识都在 库内，需要时难 以找到适用的知 识。
3-新知识积累与 更新无有效途 径。
–知识是通过实践、研究、联系或调查获得的关于事物的事实 和状态的认识，是对科学、艺术或技术的理解，是人类获得 的关于真理和原理的认识的总和。
–总之，知识是人类积累的关于自然和社会的认识和经验的总 和。
《中国大百科全书·哲学卷》的定义：
– 人们在日常生活、社会活动和科学研究中所获得的对事物的 了解，其中可靠的成分就是知识。
数据、信息、知识、智慧
数据在使用中提 升为信息，转化 为知识，进而累 积为企业智力资 产
知识
（模式）
数据
（罗列）
资料来源： Knowledge Management by Gene Bellinger
信息
（联系）
智慧
广义的知识概念
经济合作与发展组织（OECD）将广义的知识按内容分为四种：
⑴ What ——
关于“知道是什么”的知识，记载事实和现象的数据；包括传统上 所说的自然科学知识和社会科学知识；
⑵ Why ——
关于“知道为什么”的知识，记载自然和社会的科学理论与规律方 面的知识；
⑶ How ——
关于“知道怎样做”的知识，关于技能、诀窍和经验方面的知识；
⑷ Who ——
关于“知道是谁”的知识，指谁知道是什么，谁知道为什么和谁知 道怎么做的信息，是关于人力资源、人际关系及管理方面的知识。
中医临床大数据知识工程的应用价值及发展前景
中医临床大数据知识工程的应用价值及发展前景近年来，随着大数据技术的飞速发展，中医临床大数据知识工程应运而生。
中医临床大数据知识工程作为一种结合中医临床实践经验和现代信息技术的新兴领域，具有广阔的应用前景和深远的价值。
本文将从以下几个方面对中医临床大数据知识工程的应用价值及发展前景进行探讨。
一、中医临床大数据知识工程的应用价值1. 提高中医临床决策的科学性和准确性中医临床大数据知识工程通过收集、整理和分析海量的中医临床数据，可以帮助医生快速获取大量的病例信息和临床实践经验，从而辅助医生进行决策。
通过对大数据的深度挖掘和分析，可以挖掘出潜在的规律和模式，进而为中医临床诊疗提供更加科学和准确的指导。
2. 促进中医临床研究的深入发展中医临床大数据知识工程的建设和应用，为中医临床研究提供了强有力的支持。
通过对大数据的分析研究，可以发现中医临床的规律和特点，探究中医理论的内在机制，进一步丰富和完善中医临床研究的内容和方法。
3. 改善中医临床服务的质量和效率中医临床大数据知识工程可以通过构建中医临床实践指导系统、智能辅助诊疗系统等，提供个性化的诊疗方案和高效的治疗方案。
通过对大数据的分析和挖掘，可以为中医临床的健康管理、疾病预测和康复指导等提供有效的支持，从而提高中医临床服务的质量和效率。
二、中医临床大数据知识工程的发展前景1. 构建全面、系统的中医临床知识体系中医临床大数据知识工程通过整合各类中医临床数据，可以为中医临床研究和实践提供全面、系统的知识体系。
随着中医临床大数据知识工程的不断发展和完善，将有助于建立更为精准和有效的中医临床决策模型，推动中医临床的科学化和规范化。
2. 推动中医临床与现代医学的融合发展中医临床大数据知识工程的应用，有助于促进中医临床与现代医学的融合发展。
通过对中医临床数据的深度挖掘和分析，可以揭示中医与现代医学的交融点，为中医与现代医学的协同发展提供指导和支持。
3. 实现中医临床个性化诊疗的目标中医临床大数据知识工程的应用，可以为中医临床诊疗实现个性化的目标。
大数据知识工程
阅读感受
在大数据时代，数据成为了企业竞争的核心资源。在这个背景下，大数据知 识工程应运而生。作为我的搜索伙伴，读完《大数据知识工程》这本书后，我深 受启发，对大数据知识工程有了更深入的认识和理解。
这本书的作者具有极高的专业素养和严谨的学术态度。他们不仅具备扎实的 理论基础，而且拥有丰富的实践经验。在阐述大数据知识工程的概念、技术和应 用时，他们运用了通俗易懂的语言和生动的案例，使得读者能够轻松理解和掌握。
本书主要讨论了大数据知识工程的相关主题和关键问题，包括数据预处理、数据存储、数据处理 和分析、数据挖掘、机器学习和人工智能等方面。本书不仅介绍了这些技术的理论知识，还通过 具体案例和实践经验，阐述了如何将这些技术应用到实际的大数据工程中。本书还强调了大数据 安全和隐私保护的重要性，并提出了一些解决方案。
大数据安全和隐私保护是大数据知识工程中至关重要的一环，需要采取一系列有效的技术和管理 措施来保障数据的安全性和隐私性。
大数据知识工程是一个充满挑战和机遇的领域，需要不断深入研究和实践创新。
通过综合运用多学科知识和先进的技术手段，可以实现大数据的高效处理和深度分析，从而为决 策提供有力支持。
大数据安全和隐私保护是大数据知识工程中至关重要的一环，需要引起足够的重视并采取有效的 措施来保障数据的安全性和隐私性。
本书为读者提供了全面、系统的大数据知识工程方面的知识和技能，可以帮助读者更好地理解和 应用大数据技术，从而为未来的大数据发展做出贡献。
《大数据知识工程》这本书是一本非常全面、系统和深入的大数据知识工程领域的著作。通过阅 读这本书，读者将获得关于大数据知识工程方面的深入理解和实用技能，同时可以了解大数据在 未来的发展趋势和应用前景。这本书不仅适用于计算机科学和数学领域的专业人士，也适合于从 事大数据相关工作的企业家、学者和研究人员阅读。通过阅读这本书，读者将受益匪浅，并为未 来的大数据发展做出贡献。
桂林电子科技大学2014-2015(一)研究生课程总表(印刷版7.13)
桂林电子科技大学2014～2015学年第一学期研究生课程安排表研究生院二〇一四年七月课程安排说明一、研究生《英语I》课程安排说明：1、选课说明：机电工程学院、信息与通信学院、材料科学与工程学院的同学请在以下课号中选课：SX06003_141_1、SX06003_141_2、SX06003_141_3、SX06003_141_4、SX06003_141_5、SX06003_141_6、SX06003_141_7、SX06003_141_8其它学院的同学请在以下课号中选课：SX06003_141_9、SX06003_141_10、SX06003_141_11、SX06003_141_12、SX06003_141_13、SX06003_141_14、SX06003_141_15、SX06003_141_162、《英语I》授课内容分为听说和读写译两部分，每部分由不同的专业老师授课，网上任课老师只为实际授课老师之一。
具体安排如下：周二5、6节1-4班（读写译）任课老师分别为：韦储学（8306）、罗美玲（8308）、邵宏（8309）、谷新黎（9106）（1班表示课号SX06003_141_1，2班表示课号SX06003_141_2，依此类推）5-8班（听说）陆小明（8505）、张喜春（2205）、莫建萍（8507）、黄林涛（2209）7、8节9-12班（读写译）韦储学（8306）、罗美玲（8308）、邵宏（8309）、谷新黎（9106）13-16班（听说）陆小明（8505）、张喜春（2205）、莫建萍（8507）、黄林涛（2209）周四1、2节9-12班（听说）任晓红（2205）、曾永（2209）、杨亚南（8507）、易永忠（8505）13-16班（读写译）莫秀兰（8306）、秦恺（8308）、谢玉（8309）、潘正芹（9106）3、4节1-4班（听说）任晓红（2205）、曾永（2209）、杨亚南（8507）、易永忠（8505）5-8班（读写译）莫秀兰（8306）、秦恺（8308）、谢玉（8309）、潘正芹（9106）二、《自然辩证法概论》选课说明：机电工程学院、信息与通信学院、材料科学与工程学院的同学请在以下课号中选课：SX09013_141_1、SX09013_141_2、SX09013_141_3 （上课时间是第6-10周星期六上午，任课老师分别是何平、李雅莉、贺金林）2其它学院的同学请在以下课号中选课：SX09013_141_4、SX09013_141_5、SX09013_141_6 （上课时间是第6-10周星期六下午，任课老师分别是何平、李雅莉、贺金林）三、《随机过程》选课说明：课号：SX07002_141_1 （张茂军老师）电子工程与自动化学院的学生课号：SX07002_141_2 （朱宁老师）信息与通信学院的学生四、《矩阵理论》选课说明：课号：SX07011_141_1、SX07011_141_2 （彭振赟、李姣芬老师）机电工程学院、信息与通信学院的学生课号：SX07011_141_3 （段复建老师）电子工程与自动化学院的学生五、《信息检索》选课说明：课号：SF03034_141_1 （李凤英老师）机电工程学院、计算机科学与工程学院的学生课号：SF03034_141_2、SF03034_141_3 （王冲、李凤英老师）其它学院的学生六、《知识产权》选课说明：课号：SF09012_141_1 （高兰英老师）电子工程与自动化学院、材料科学与工程学院的学生课号：SF09012_141_2 （高兰英老师）信息与通信学院、商学院的学生课号：SF09012_141_3 （高兰英老师）机电工程学院、计算机科学与工程学院的学生七《现代制造工程学》由五位老师共同讲授，任课老师分别是：3-4周（吴兆华）、5-6周（唐焱）、7-9周（黄美发）、10-12周（杨道国）、13-14周（范兴明）。
数据和知识工程
基于证据理论的数据挖掘方法
基于神经网络的数据挖掘方法 基于遗传算法的数据挖掘方法 基于粗糙集的数据挖掘方法 其他数类模式 聚类模式 回归模式 序列模式
本课程的内容 Ⅲ
语义Web的研究路线 资源描述框架RDF Web本体语言OWL Web规则标记语言RIF Web查询语言SPARQL 典型应用
Antoniou G, Harmelen F. A Semantic Web Primer. Second Edition. Cambridge, Mass.: MIT Press, 2008. (Antoniou G, Harmelen F.著, 陈小平等译. 语义网基础教程
(第1版). 机械工业出版社, 2008.) 胡运发. 数据与知识工程导论. 清华大学出版社, 2003.
数据的语义
数据：
信息的载体和表示 对于计算机而言，信息处理就是数据处理
本课程的开设背景
智能：
智能行为依赖于知识
知识：
把有关信息关联在一起形成的信息结构 由信息提炼出来的产物，反映了一些基本的规律 是构成智能的基础
信息：
数据的语义 收信人事先不知道的报道 (辞海)
这不仅对人工智能学科领域产生了巨大影响，而且促使 IBM公司制造出沃森（Watson）这样智能而神奇的机器。
计算复杂性领域：表明即使可满足赋值数很小，SAT这个NP 完备问题仍然是很难的问题。
与会者有包括C.Shannon在内的数学家、逻辑学家、认知学家、 心理学家、神经生理学家、计算机科学家等10人。
Marvin Minsky的神经网络模拟器、John McCarthy的搜索法、 以及Herbert Simon和Allen Newell的“逻辑理论家”成为会上 的3个亮点，分别讨论如何穿过迷宫、如何搜索推理、以及如何证 明数学定理。
2010教育技术学考研专业目录
院校名称院系名称专业代码研究方向人数考试范围
考教育学综合的学校：
首都师范大学，西南交通大学，浙江大学，上海外国语大学，江西师范大学，渤海大学，上海交通大学，山西师范大学，西南科技大学，西南大学，北京交通大学，南京邮电大学，西安电子科技大学，华中科技大学，西南交通大学，东南大学，深圳大学，西北工业大学，北京理工大学，第四军医大学，云南师范大学，福建师范大学，大庆油田学院，南京大学，天津工程师范学院，内蒙古师范大学，宁波大学，国防科学技术大学，第二军医大学，江西财经大学，石家庄陆军指挥学院，清华大学，辽宁师范大学，南昌大学，解
放军外国语学院，扬州大学。
数据与知识工程
万维网(WWW)
根据所处理的数据对DM分类
关系数据库
事务数据库
面向对象数据库
对象关系数据库
数据仓库
空间数据库
时态数据库
流数据
异构数据库
历史数据库
文本数据库
多媒体数据库
WWW
……
根据挖掘的知识类型对DM分类
特征分析
区分
关联分析
分类
聚类
预测
离群点分析
演变分析
多种方法的集成
……
根据采用的技术对DM分类
–inconsistencies in terminology, outdated information.
Viewing information
–Impossible to define views on Web knowledge
4.语义web技术
Explicit Metadata
Ontologies
用户交互方面
数据挖掘查询语言
数据挖掘结果的表示和显示
多个抽象层的交互知识挖掘
应用和社会因素方面
特定域的数据挖掘&不可视的数据挖掘
数据安全,隐私保护
……
12.KDD发现目标
概念描述
关联分析
分类
聚类
离群点分析
趋势和演变分析
KDD中使用的方法
决策树方法
基于证据理论的方法
神经网络方法
遗传算法
基于粗糙集的方法
2.语义Web主要解决两个问题：
1）如何对Web资源进行表示，从而便于让agent进行处理(获取、存储、推理、查询等)。
2）如何重用Web页面、多媒体信息、数据库等遗留资源(legacy resource)，以便实现从现有Web到语义Web的过渡。
数据挖掘在知识工程中的应用研究
数据发掘在知识工程中的应用研究纲要：在知识工程系统中，常常需要经过非自动方法或自动方法来实现计算机从知识源获取知识的过程。
知识发现KDD（knowledgediscoveryfromdatabase）是从人们建筑的数据库中进一步获取新知识的主要方法。
该文阐述了知识工程中知识发现的过程，对象以及在知识发现中数据发掘的应用状况。
重点词：知识发现；数据发掘；数据库房中图分类号：TP311文件表记码：A文章编号：1009-3044(2011)23-5550-02在知识工程系统中，常常需要经过非自动方法或自动方法来实现计算机从知识源获取知识的过程。
知识源包含专家，书籍，数据库以及人们的经验。
获取知识的目的是经过计算机高速度地采集、整理知识，成立各样高性能的知识系统，以解决靠人自己难解决或解决起来效率太低的一些问题。
知识发现KDD（knowledgediscoveryfromdatabase）是从人们建筑的数据库中进一步获取新知识的主要方法，目的是从数据集中抽取和优化一般规律或模式，其所波及的数据形态包括数值，文字，符号，图形，图像，声音，甚至是视频和Web网页等。
知识发现的过程知识发现是对数据进行更深层办理的过程，而不只是是对数据进行加，减，乞降等简单运算或查问，要有必定的智能性和自动性。
知识发现主要包含以下5个部分。
1）数据选择:更据用户的需求，从数据库中提取与KDD有关的数据。
在此过程中，能够利用一些数据库操作对数据进行办理，形成真切的数据库。
2）数据预办理：对上一步骤产生的数据进行再加工，检查其完好性及一致性，对此中的噪声数据进行办理，并对丢掉的数据利用统计方法进行填充，形成发掘数据库。
3）数据变换：从发掘数据库里选择数据进行变换，变换的方法主假如利用聚类剖析和鉴别剖析。
指导数据变换的方式是经过人机交互由专家输入感兴趣的知识，从而指导数据发掘的方向。
4）数据发掘：依据用户的要求，确立KDD的目标是发现何种种类的知识，因为对KDD的不一样要求，会致使知识发现的过程采纳不一样的发现算法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据的语义 收信人事先不知道的报道 (辞海)
信息就是信息，不是物质，也不是能量 (Norbert Wiener)
计算学科：对描述和变换信息的算法过程进行的系统研究。
数据：
信息的载体和表示 对于计算机而言，信息处理就是数据处理
本课程的开设背景
信息时代/知识时代
农业社会 工业/机械社会：由机械化、电气化和自动化带 来的人类体力扩展的结果。
Antoniou G, Harmelen F. A Semantic Web Primer. Second Edition. Cambridge, Mass.: MIT Press, 2008. (Antoniou G, Harmelen F.著, 陈小平等译. 语义网基础教程
(第1版). 机械工业出版社, 2008.) 胡运发. 数据与知识工程导论. 清华大学出版社, 2003.
多动笔；到证明的第一现场去
第1部分 概述
主要内容：
人工智能及其三个学派 符号主义 本领域的杰出人物 本领域的顶级国际会议 知识表示与知识推理 数据挖掘与知识发现
图灵和图灵测试
阿兰·麦席森·图灵(Alan Mathison Turing) 1912.6.23-1954.6.7 英国数学家、逻辑学家 1936年：
Gartner 技术成熟度曲线
“深蓝”与卡斯帕罗夫之战
1997年5月初，IBM公司研制的并行计算机“深蓝”与 国际象棋冠军卡斯帕罗夫交战，以两胜一负三平获胜。
“深蓝”：由256个专为国际象棋比赛设计的微处理器 组成，每秒可计算2亿步棋。
Байду номын сангаас一场人机大战
1997年，“深蓝”在棋盘上击败国际象棋大师卡斯 帕罗夫，本质是使用穷举战略：
每秒计算2亿次可能的“招数”， 在相同的时间内，卡斯帕罗夫只能粗略地计划两步。
在其后的10年里，计算能力猛增：到2007年，那 台1.4吨的巨型计算机的处理能力已经可以放进一个 大拇指盖大小的“细胞（Cell）”微处理器中。
在这十年内，晶体管数量已经从英特尔奔腾Ⅱ上的 750万个跳跃到“细胞”上的2.34亿个。
IBM“沃森”系统
以IBM创始人托马斯·J·沃森的名字命名。 2006年开始设计。 是由90台IBM 750服务器组成的群集系统，每台服务
器采用Power 7处理器（8核芯片，每核4个线程）， 相当于有2880个核在运行。 内存是16TB的RAM。 采用的软件有SUSE Linux Enterprise Server 11 操作系统、IBM DeepQA软件、Apache UIMA（ 非 结构化信息管理体系结构） 框架等。
IBM“沃森”系统
使用了上百种的技术来分析自然语言、识别资源、寻找 并产生假设、寻找证据并评分、对假设进行聚集和分级 ，因此它是专门设计的、具有学习能力的机器。
能储存大量信息，相当于100万本书籍和2亿页资料。 还可以从经验中学习如何提高性能； 能使用自然语言回答问题。 世界各地的研究人员历时四年共同完成了这个系统。 应用前景广泛，可以高速分析大量数据，用来帮助政府
Web服务 软件配置/产品协同制造 信息系统 知识共享/协同工作 ……
语义Web背景下知识表示、知识推理和知识发现
教材及参考书
教材
Brachman R, Levesque H. Knowledge Representation and Reasoning. Morgan Kaufmann Press, 2004.
在专家系统、机器人、自然语言处理、知识工程等领域取得了长 足的发展。 1981年，日本政府宣布日本五代机（first-generation computer）计划（即智能计算机）。 1992年，日本政府宣布五代机计划失败。人工智能进入一 个低谷。 随着信息/知识社会的到来，人工智能领域再次兴旺起来。
在 会 议 上 ， John McCarthy 正 式 提 出 “ 人 工 智 能 ” (Artificial Intelligence)这一术语。
人工智能是相对人的自然智能而言，即用人工的方法和技术,模 仿、延伸和扩展人的智能，研制具有感知、推理、学习、联想、 决策等思维活动的计算系统，解决需要人类专家才能处理的复杂 问题。
符号主义（symbolism）
vs. 推理能力
产生式系统
基于描述逻辑(DL)的知识表示和推理
tradeoff
基于DL的知识表示
基于tableau算法的知识推理
非单调知识表示和推理
CWA；限制逻辑；默认逻辑；自认知逻辑
对动作的表示、推理以及规划
STRIPS系统；情景演算；流演算；PDL
本课程的内容 Ⅱ
数据挖掘与知识发现
2. Bell J. L., Machover M. A Course in Mathematical Logic. North-Holland Publishing Company, 1977.
3. Jiawei Han, Micheline Kamber. Data Mining: Concepts and
人工智能的诞生
Dartmouth会议： 1956年，美国的Dartmouth College，一个长达2个月的暑 期研讨班。
与会者有包括C.Shannon在内的数学家、逻辑学家、认知学家、 心理学家、神经生理学家、计算机科学家等10人。
Marvin Minsky的神经网络模拟器、John McCarthy的搜索法、 以及Herbert Simon和Allen Newell的“逻辑理论家”成为会上 的3个亮点，分别讨论如何穿过迷宫、如何搜索推理、以及如何证 明数学定理。
人工智能的发展
1958年，Newell和Simon的四个预测
– 十年内，计算机将成为世界象棋冠军 – 十年内，计算机将发现或证明有意义的数学定理 – 十年内，计算机将能谱写优美的乐曲 – 十年内，计算机将能实现大多数的心理学理论
1959年，MIT AI Lab正式成立（Minsky和McCarthy）
信息就是信息，不是物质，也不是能量 (Norbert Wiener)
数据的语义
数据：
信息的载体和表示 对于计算机而言，信息处理就是数据处理
本课程的开设背景
智能：
智能行为依赖于知识
知识：
把有关信息关联在一起形成的信息结构 由信息提炼出来的产物，反映了一些基本的规律 是构成智能的基础
OWL、RIF和SPARQL）； 了解语义Web背景下关于知识表示、知识推理、和知
识发现的研究现状。
本课程的内容 Ⅰ
基于一阶谓词逻辑(FOL)的知识表示和推理
基于FOL的知识表示
基于消解法的知识推理
基于tableau算法的知识推理
Horn逻辑与产生式系统
Horn逻辑 逻辑程序设计
知识表示能力
Techinques. Second Edition. 机械工业出版社, 2007.
作者介绍
Ron Brachman
Ph.D, 1977 Harvard ACM Fellow President of AAAI (2003) 雅虎全球研究运营副总裁
Hector Levesque
Ph.D 1981, University of Toronto Conference Chair of IJCAI (2001)
课程要求
按时到课，重视课堂学习； 对布置的思考题和讨论题进行认真准备； 按进度完成平时作业。
评分方式：
总评成绩 = 平时成绩×20％ ＋ 期末考试成绩×80％ 平时成绩 = 课堂主题报告 ＋ 课堂讨论
重视课堂讨论
使自己的疑问得到及时解答 可以帮助有相似疑问的同学 可以使教师及时了解教学效果 在讨论中产生有价值的学术火花
但是要让计算机理解人类语言、像人类一样思考比下 棋难多了。
更高级别的挑战？
“沃森”参战“危险边缘(Jeopardy!)”
“危险边缘(Jeopardy!)”：美国家喻户晓的电视智力 竞赛节目。1964年创立，竞赛问题涉及地理、政治、历 史、体育、娱乐等。
2011年2月14~16日，IBM 沃森参加了“危险边缘” 电视节目的竞赛，战胜了该节目有史以来最优秀的两位 人类冠军Ken Jennings和Brad Rutter。
部门解答公众疑问，帮助医生评估药物疗效。
核心技术：自然语言处理、机器学习
Leslie Gabriel Valiant (1949-)
2010年图灵奖获得者 英国皇家学会会员/美国科学院院士 哈佛大学教授 主要贡献：
机器学习领域：提出PAC模型 使20世纪50年代诞生的机器学习领域第一次有了坚实的数 学基础，从而清除了学科发展的障碍，
欢迎参加
数据与知识工程
教师：常亮 E-mail: changl@ 办公室电话: 2291071 手机:
本课程的开设背景
智能：
智能行为依赖于知识
知识：
是构成智能的基础 把有关信息关联在一起形成的信息结构 由信息提炼出来的产物，反映了一些基本的规律
信息：
计算学科：对描述和变换信息的算法过程进行的系统研究。 收信人事先不知道的报道 (辞海)
这不仅对人工智能学科领域产生了巨大影响，而且促使 IBM公司制造出沃森（Watson）这样智能而神奇的机器。
计算复杂性领域：表明即使可满足赋值数很小，SAT这个NP 完备问题仍然是很难的问题。
计算神经学领域：为大脑设计了一个数学模型，并将它与复 杂的认知功能建立了关联。
人工智能的不同学派
符号主义 连接主义 行为主义
本课程的目的
了解人工智能领域关于知识表示、知识推理、知识发现 的研究历史；
掌握典型的知识表示方法（尤其是基于一阶谓词逻辑和 基于描述逻辑的知识表示方法）；
掌握典型的知识推理方法（尤其是基于消解原理的推理 方法和基于Tableau的推理方法）；