جستجوي پيشرفته | کتابخانه مجازی الفبا

ترجمه ماشینی: این سوال که چگونه احتمال و منطق را با یادگیری ترکیب کنیم، در چندین رشته مانند بازنمایی دانش، استدلال در مورد عدم قطعیت، داده کاوی و یادگیری ماشین به طور شبیه سازی توجه بیشتری را به خود جلب کرده است. این امر منجر به ایجاد زیرشاخه تازه در حال ظهور می شود که با نام های یادگیری رابطه ای آماری و برنامه ریزی منطق استقرایی احتمالی شناخته می شود. این کتاب مقدمه ای بر این رشته با تاکید بر روش های مبتنی بر اصول برنامه نویسی منطقی ارائه می دهد. با فرمالیسم ها و سیستم ها، پیاده سازی ها و کاربردها و همچنین با نظریه برنامه ریزی منطق استقرایی احتمالی سروکار دارد. 13 فصل این بررسی پیشرفته با مقدمه ای بر برنامه ریزی منطق استقرایی احتمالی آغاز می شود. علاوه بر این، این کتاب یک مرور کلی از مهم‌ترین فرمالیسم‌ها و سیستم‌های یادگیری منطق احتمالی مانند تکنیک‌های یادگیری توالی رابطه‌ای، با استفاده از هسته‌هایی با نمایش‌های منطقی، منطق مارکوف، سیستم PRISM، CLP(BN)، برنامه‌های منطق بیزی و انتخاب مستقل ارائه می‌کند. منطق. بخش سوم شرح مفصلی از برخی کاربردهای نمایشی برنامه نویسی منطق استقرایی احتمالی ارائه می دهد. بخش پایانی به برخی تحقیقات نظری می‌پردازد و شامل فصل‌هایی در مورد مقایسه رفتاری نمایش‌های برنامه‌ریزی منطق احتمالی و تحلیل بیانی مدل-نظری است.

ترجمه ماشینی: این کتاب شبکه‌های منطق احتمالی (PLN)، یک رویکرد مفهومی، ریاضی و محاسباتی جدید برای استنتاج نامطمئن را توصیف می‌کند. فراتر از رویکردهای احتمالی قبلی برای استنتاج نامطمئن، PLN شامل ایده هایی مانند استقرا، ربایش، قیاس، مبهم و حدس و گمان، و استدلال در مورد زمان و علیت است. این کتاب مروری بر PLN در زمینه سایر رویکردهای استنتاج نامطمئن ارائه می دهد. موضوعات مطرح شده در متن عبارتند از: فرمالیسم اساسی بازنمایی دانش PLN تفسیر مفهومی اصطلاحات مورد استفاده در PLN یک رویکرد احتمال نامشخص برای تعیین کمیت عدم قطعیت، ارائه یک روش کلی برای محاسبه "وزن شواهد" زیربنای نتایج استنتاج نامطمئن قوانین استنتاج PLN خاص و فرمول های ارزش صدق متناظر مورد استفاده برای تعیین قدرت نتیجه گیری یک قانون استنتاج از نقاط قوت محل استراتژی های استنتاج در مقیاس بزرگ استنتاج با استفاده از متغیرها احتمالات نامشخص که شامل کمی سازها می شود ارث بر اساس خواص یا الگوها موتور شناخت Novamente، یک برنامه کاربردی از PLN منطق زمانی و علی در PLN محققان و دانشجویان فارغ التحصیل در هوش مصنوعی، علوم کامپیوتر، ریاضیات و علوم شناختی، این دیدگاه جدید در مورد استنتاج نامطمئن را ادغام تفکر برانگیز از ایده‌های مختلف از دیگر خطوط تحقیق خواهند یافت.

ترجمه ماشینی: رویکردی که در این کتاب به تئوری احتمال دنبال می شود (که به طور اساسی با روش معمول بر اساس چارچوب نظری اندازه گیری متفاوت است) احتمال را به عنوان یک عملگر خطی و نه به عنوان یک اندازه گیری توصیف می کند و مبتنی بر مفهوم انسجام است که می تواند در کلی ترین نمای احتمال شرطی قاب شده است. این یک ابزار «انعطاف‌پذیر» و یکپارچه است که برای مدیریت، به‌عنوان مثال، ارزیابی‌های احتمال جزئی (بدون نیاز به مجموعه‌ای از تمام «نتیجه‌های» ممکن با ساختار جبری داده‌شده قبلی، مانند جبر بولی) و استقلال شرطی مناسب است. به گونه ای که از تمام ناهماهنگی های مربوط به وابستگی منطقی جلوگیری شود (به طوری که می توان نظریه ای را که به مدل های گرافیکی کلی تر از آنچه که معمولاً در شبکه های بیزی در نظر گرفته می شود استنتاج کرد). علاوه بر این، ممکن است رویکردهای دیگر برای استدلال نامطمئن، مانند فازی بودن، توابع امکان، و استدلال پیش فرض را نیز در بر گیرد. این کتاب به شرط آشنایی خواننده با جنبه‌های ابتدایی حساب گزاره‌ای، جبر خطی و تحلیل، مستقل نگه داشته می‌شود.