Die geeignete Repräsentation von Wissen ist für ein KI-System, wie z.B. ein autonomes Robotersystem, von allergrößter Bedeutung. Das Seminar behandelt verschiedene Ansätze, komplexes Wissen auf eine Art und Weise zu repräsentieren, die sowohl das Lernen von neuem Wissen aus Beobachtungen wie auch das Schlußfolgern von neuen Fakten aus gegebenen Evidenzen und Hintergrundwissen unterstützt. Lernen und Schlußfolgern sind die zwei wesentlichen Eckpfeiler der Kognitionskomponente eines jeden KI-Systems, und dieses Seminar befasst sich konkret mit deren technischer Umsetzung auf der Basis von allgemeinen, meist deklarativen Repräsentationen des zugrunde liegenden Wissens. Der hohe Grad der Komplexität, der in natürlichen Anwendungsdomänen (z.B. in sämtlichen von Menschen belebten Umgebungen) vorherrscht, erfordert kompakte, verallgemeinernde Repräsentationen. Eine für die Praxis taugliche Wissensrepräsentation muss aber nicht nur gut mit Komplexität umgehen können, sondern sie muss ebenso die inhärente Unsicherheit, die in vielen Bereichen besteht, berücksichtigen; denn die Welt ist nicht deterministisch. Im Rahmen des Seminars werden wir uns deshalb verschiedene Repräsentationen anschauen, die dem heutigen Stand der Wissenschaft entsprechen und sich diesem spannenden aber sehr schwierigen Problem annehmen. Wir werden sie auf ihre Fähigkeiten hin untersuchen, sie anwendungsbezogen bewerten und ausführlich ihr für und wider diskutieren.