home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1992 #19 / NN_1992_19.iso / spool / comp / ai / 3310 < prev    next >
Encoding:
Text File  |  1992-09-02  |  2.5 KB  |  73 lines
  1. Newsgroups: comp.ai
  2. Path: sparky!uunet!europa.asd.contel.com!darwin.sura.net!haven.umd.edu!news.umbc.edu!algol.cs.umbc.edu!finin
  3. From: finin@algol.cs.umbc.edu (Timothy Finin)
  4. Subject: Models Of Diagnostic Inferences
  5. Message-ID: <1992Sep2.203337.288@umbc3.umbc.edu>
  6. Sender: newspost@umbc3.umbc.edu (News posting account)
  7. Organization: Computer Science, University of Maryland, Baltimore County
  8.                    
  9.            GRADUATE AI COURSE ANNOUNCEMENT
  10. Distribution: md,dc
  11. Date: Wed, 2 Sep 1992 20:33:37 GMT
  12. Lines: 59
  13.  
  14.              Computer Science Department
  15.            University of Maryland Baltimore County
  16.                  Baltimore MD
  17.                    
  18.           CMSC 691: MODELS OF DIAGNOSTIC INFERENCES
  19.                    
  20.             Fall, 1992, TuTh 4:00 - 5:15pm
  21.  
  22.  
  23. Instructor          Yun Peng
  24.   Phone:          (301)455-3816
  25.   Office:         TF II, room 105
  26.   Email:          ypeng@algol.cs.umbc.edu
  27.  
  28. Text
  29.   Y. Peng & J.A. Reggia, "Abductive Inference  Models for
  30.   Diagnostic Problem-Solving", Springer-Verlag, 1990, and
  31.   supplementary journal papers.
  32.  
  33. Course Description
  34.   This course offers an introduction and in depth discus-
  35.   sion  of  important  issues in the area of abduction, a
  36.   prominent but less studied type of inference, and diag-
  37.   nostic reasoning, a typical representative of abductive
  38.   inference. Topics include the nature and  the  applica-
  39.   tions of abduction; knowledge representation and infer-
  40.   ence paradigms for  diagnostic  reasoning;  formal  and
  41.   heuristic  methods for uncertainty in causal reasoning,
  42.   etc.  Several state-of-the-art AI  and  neural  netwrok
  43.   models for diagnostic problem-solving will also be dis-
  44.   cussed.
  45.  
  46. Major Topics To Be Covered
  47.   1. Abduction vs deduction  and  induction,  its  unique
  48.      characteristics, and its applications.
  49.   2. Different representations for causal  knowledge  and
  50.      the characteristics of causal inference.
  51.   3. Uncertainty in causal reasoning  and  representative
  52.      approaches to this problem.
  53.   4. Acquisition of causal knowledge (learning).
  54.  
  55. Theoretical Models To Be Discussed
  56.   1. Shortliffe et al: MYCIN
  57.   2. Peng & Reggia: Parsimonious Covering Theory and Pro-
  58.      babilistic Causal Model
  59.   3. Reiter: Theory of Diagnosis From the First Principle
  60.   4. De Kleer: Truth Maintenance System and  the  General
  61.      Diagnostic Engine
  62.   5. Pearl: Bayesian Network
  63.   6. Dempster-Shafer theory
  64.   7. Neural networks: Backpropagation  networks;  Hebbian
  65.      learning method
  66.  
  67. Work Load
  68.   One exam (50%), one paper/project (50%).
  69.  
  70. Background
  71.   Necessary: Basics of AI, elementary set theory and probability theory.
  72.   Desirable: Basic knowledge of neural networks.
  73.