Knowledge Graphs & Semantics

Étape 0 Introduction au Knowledge Management

Découvrez les fondements du Knowledge Management : comment les organisations capturent, organisent, partagent et exploitent les connaissances collectives. Ce cours d'introduction couvre les cadres de KM, les ontologies, les taxonomies et le rôle de l'IA dans les systèmes de connaissance modernes.

Logiques de Description & OWL

Compromis entre expressivité et traçabilité dans les logiques de description et les profils OWL 2 pour la conception d'ontologies.

Complexité de Réponse aux Requêtes

Complexité computationnelle de la réponse aux requêtes conjonctives sur des ontologies et des bases de données.

Datalog, Sémantique de Point Fixe & Apprentissage de Règles

Programmation Datalog, sémantique de point fixe et apprentissage inductif de règles pour des bases de connaissances.

Apprentissage d'Ontologie & Programmation Logique Inductive

Construction automatisée d'ontologies à partir de données en utilisant l'ILP, l'apprentissage de concepts et des méthodes d'enrichissement d'ontologie.

Sémantique SPARQL/CRPQ & Théorie de l'Homomorphisme

Sémantique formelle de SPARQL et des requêtes de chemin régulier conjonctif avec évaluation basée sur l'homomorphisme.

Incohérence & Raisonnement Non-Monotone

Gestion des bases de connaissances incohérentes via des logiques paraconsistantes, révision de croyances et raisonnement non-monotone.

Compilation de Connaissances & Circuits Probabilistes

Compiler des connaissances en représentations traitables (OBDDs, SDDs) pour une inférence probabiliste efficace.

Modèles Relationnels Probabilistes & Réseaux de Logique de Markov

Combiner la logique du premier ordre et la probabilité pour l'apprentissage relationnel en utilisant la logique de Markov et des cadres connexes.

Bases de Données Probabilistes & Raisonnement Incertain

Évaluation des requêtes sur des bases de données probabilistes : modèles indépendants des tuples, indépendants des blocs et modèles généraux.

Théorie Spectrale des Graphes & Laplaciens

Propriétés spectrales des laplaciens de graphes et leurs applications au clustering, à l'embedding et aux GNN.

KG Embeddings : Identifiabilité & Généralisation

Analyse théorique des modèles d'embedding de graphes de connaissances : expressivité, identifiabilité et bornes de généralisation.