KNOWLEDGE REPRESENTATION AND SEMANTIC TECHNOLOGIES

Obiettivi formativi

Obiettivi generali: Conoscere i linguaggi di riferimento delle tecnologie semantiche attuali, in particolare le famiglie dei linguaggi di rappresentazione della conoscenza basate sul concetto di classe (class-based) e sul concetto di regola (rule-based), e le principali tecniche di ragionamento per tali linguaggi. Conoscere le tecnologie semantiche standard basate su tali formalismi di rappresentazione della conoscenza, in particolare i linguaggi RDF e OWL, con l'obiettivo di progettare e gestire una base di conoscenza ontologica. Conoscere gli elementi di base della rappresentazione di azioni e ragionamento su azioni. Obiettivi specifici: Conoscenza e comprensione: Le logiche descrittive, i principali formalismi per la rappresentazione della conoscenza basati sul concetto di classe, e i linguaggi basati su regole, con particolare riferimento a Datalog e alcune sue estensioni. I principali standard Web per le tecnologie semantiche, in particolare i linguaggi RDF, SPARQL e OWL. Applicare conoscenza e comprensione: Essere in grado di progettare una base di conoscenza, scegliendo il formalismo e le tecnologie di gestione più appropriati per il contesto applicativo in esame. Capacità critiche e di giudizio: Essere in grado di valutare gli aspetti semantici salienti di una base di conoscenza e di una applicazione basata sulla conoscenza. Essere in grado di scegliere la migliore tecnologia disponibile per il processamento di una base di conoscenza. Capacità comunicative: Le attività progettuali e le esercitazioni del corso permettono allo studente di essere in grado di comunicare e condividere i requisiti di una applicazione che richiede la costruzione e la gestione di una base di conoscenza e/o l'uso delle tecnologie semantiche standard. Capacità di apprendimento: Oltre alle classiche capacità di apprendimento fornite dallo studio teorico del materiale didattico, le modalità di svolgimento del corso, in particolare le attività progettuali, stimolano lo studente all'approfondimento autonomo di alcuni argomenti presentati nel corso, al lavoro di gruppo, e all'applicazione concreta delle nozioni e delle tecniche apprese durante il corso.

Canale 1
RICCARDO ROSATI Scheda docente

Programmi - Frequenza - Esami

Programma
1 - Introduction to knowledge representation 2 - Class-based formalisms Description Logics Reasoning in Description Logics Description Logics vs. relational databases 3 - Rule-based formalisms Brief introduction to logic programming Datalog Reasoning in Datalog Datalog vs. Description Logics Datalog extensions Datalog with negation Answer Set Programming (ASP) Reasoning in ASP Comparison with SQL 4 - Semantic technologies Semantic Web RDF, RDFS, SPARQL Linked data Ontologies OWL OWL profiles Reasoning in OWL profiles 5 - Knowledge representation and Deep Learning Deep Learning and Large Language Models Knowledge graph embedding The role of Knowledge Representation and Reasoning in Large Language Models
Prerequisiti
Nessun prerequisito.
Testi di riferimento
Dispense distribuite dal docente.
Frequenza
Nessun obbligo di frequenza.
Modalità di esame
L'esame consiste in una prova scritta e un progetto pratico.
Modalità di erogazione
Didattica frontale tradizionale.
RICCARDO ROSATI Scheda docente

Programmi - Frequenza - Esami

Programma
1 - Introduction to knowledge representation 2 - Class-based formalisms Description Logics Reasoning in Description Logics Description Logics vs. relational databases 3 - Rule-based formalisms Brief introduction to logic programming Datalog Reasoning in Datalog Datalog vs. Description Logics Datalog extensions Datalog with negation Answer Set Programming (ASP) Reasoning in ASP Comparison with SQL 4 - Semantic technologies Semantic Web RDF, RDFS, SPARQL Linked data Ontologies OWL OWL profiles Reasoning in OWL profiles 5 - Knowledge representation and Deep Learning Deep Learning and Large Language Models Knowledge graph embedding The role of Knowledge Representation and Reasoning in Large Language Models
Prerequisiti
Nessun prerequisito.
Testi di riferimento
Dispense distribuite dal docente.
Frequenza
Nessun obbligo di frequenza.
Modalità di esame
L'esame consiste in una prova scritta e un progetto pratico.
Modalità di erogazione
Didattica frontale tradizionale.
  • Codice insegnamento1041706
  • Anno accademico2025/2026
  • CorsoArtificial Intelligence – Intelligenza Artificiale
  • CurriculumCurriculum unico
  • Anno2º anno
  • Semestre1º semestre
  • SSDING-INF/05
  • CFU6