Adaptivity and Learning: An Interdisciplinary Debate

سازگاری و یادگیری در دهه های اخیر به یکی از دغدغه های رایج رشته های علمی تبدیل شده است. این مسائل در ریاضیات، فیزیک، زیست شناسی، انفورماتیک، اقتصاد و سایر رشته ها کم و بیش به طور همزمان به وجود آمده است. هدف این نشریه گفتمان میان رشته‌ای درباره پدیده یادگیری و سازگاری است. دیدگاه‌های متفاوتی برای یافتن مفاهیم ثمربخش برای رشته‌های درگیر ارائه و مقایسه می‌شوند. نویسندگان به جای ارائه مروری گسترده، مشکلاتی را انتخاب می‌کنند که ویژگی‌های نماینده را در مورد چارچوب، روش‌ها و دستاوردها نشان می‌دهد.

برای تقویت گفت‌وگوی میان رشته‌ای، این کتاب دیدگاه‌های متنوعی را از زمینه‌های علمی مختلف ارائه می‌کند، از جمله: P>

- دیدگاه بیولوژیکی: به عنوان مثال، فیزیولوژی، رفتار؛

- دیدگاه ریاضی: به عنوان مثال، یادگیری الگوریتمی و تصادفی؛

- دیدگاه فیزیک: به عنوان مثال، یادگیری برای شبکه های عصبی مصنوعی؛

- دیدگاه "یادگیری از طریق تجربه": یادگیری تقویتی، یادگیری اجتماعی، زندگی مصنوعی؛

- دیدگاه شناختی: به عنوان مثال، رویه های قیاسی/استقرایی ، یادگیری و یادگیری زبان به عنوان یک فرآیند شناختی سطح بالا؛

- دیدگاه کاربردی: به عنوان مثال، رباتیک، کنترل، مهندسی دانش.

Adaptivity and learning have in recent decades become a common concern of scientific disciplines. These issues have arisen in mathematics, physics, biology, informatics, economics, and other fields more or less simultaneously. The aim of this publication is the interdisciplinary discourse on the phenomenon of learning and adaptivity. Different perspectives are presented and compared to find fruitful concepts for the disciplines involved. The authors select problems showing representative traits concerning the frame up, the methods and the achievements rather than to present extended overviews.

To foster interdisciplinary dialogue, this book presents diverse perspectives from various scientific fields, including:

- The biological perspective: e.g., physiology, behaviour;

- The mathematical perspective: e.g., algorithmic and stochastic learning;

- The physics perspective: e.g., learning for artificial neural networks;

- The "learning by experience" perspective: reinforcement learning, social learning, artificial life;

- The cognitive perspective: e.g., deductive/inductive procedures, learning and language learning as a high level cognitive process;

- The application perspective: e.g., robotics, control, knowledge engineering.