دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: آموزشی ویرایش: نویسندگان: Michèle Friend, Norma B. Goethe, Valentina S. Harizanov (eds.) سری: Logic, Epistemology, and the Unity of Science, 9 ISBN (شابک) : 1402061269, 9781402061271 ناشر: Springer سال نشر: 2007 تعداد صفحات: 296 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
کلمات کلیدی مربوط به کتاب استقرا ، تئوری یادگیری الگوریتمی و فلسفه: معرفتشناسی، منطق ریاضی و زبانهای رسمی، فلسفه علم، الگوریتمها، روانشناسی شناختی، فلسفه
در صورت تبدیل فایل کتاب Induction, Algorithmic Learning Theory, and Philosophy به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب استقرا ، تئوری یادگیری الگوریتمی و فلسفه نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این اولین کتابی است که مقالات فیلسوفان، ریاضیدانان و دانشمندان رایانه را گردآوری می کند که در رابط هیجان انگیز نظریه یادگیری الگوریتمی و معرفت شناسی علم و استنتاج استقرایی کار می کنند. مقالههای خواندنی و مقدماتی، بررسیهای جذابی از رویکردهای مختلف، مکمل و متقابل الهامبخش به موضوع ارائه میدهند، هم از منظر فلسفی و هم از دیدگاه ریاضی.
بر اساس این پایه، مقالات بعدی توسعههای جدید نظریه یادگیری الگوریتمی و همچنین کاربردهای جسورانه و جدید برای مسائل سنتی در معرفتشناسی و فلسفه علم ارائه میکند. این جلد برای دانشجویان و محققانی که به دنبال رویکردی تازه و مبتنی بر حقیقت به فلسفه علم و استقراء، معرفت شناسی، منطق و آمار هستند، خواندنی حیاتی است.
This is the first book to collect essays from philosophers, mathematicians and computer scientists working at the exciting interface of algorithmic learning theory and the epistemology of science and inductive inference. Readable, introductory essays provide engaging surveys of different, complementary, and mutually inspiring approaches to the topic, both from a philosophical and a mathematical viewpoint.
Building upon this base, subsequent papers present novel extensions of algorithmic learning theory as well as bold, new applications to traditional issues in epistemology and the philosophy of science. The volume is vital reading for students and researchers seeking a fresh, truth-directed approach to the philosophy of science and induction, epistemology, logic, and statistics.
Front Matter....Pages I-XIII
Front Matter....Pages 1-1
Introduction to the Philosophy and Mathematics of Algorithmic Learning Theory....Pages 1-24
Front Matter....Pages 25-25
Inductive Inference Systems for Learning Classes of Algorithmically Generated Sets and Structures....Pages 27-54
Deduction, Induction, and beyond in Parametric Logic....Pages 55-110
How Simplicity Helps You Find the Truth without Pointing at it....Pages 111-143
Induction over the Continuum....Pages 145-154
Front Matter....Pages 155-155
Logically Reliable Inductive Inference....Pages 157-178
Some Philosophical Concerns about the Confidence in ‘Confident Learning’....Pages 179-197
How to Do Things with an Infinite Regress....Pages 199-217
Trade-Offs....Pages 219-232
Two Ways of Thinking about Induction....Pages 233-258
Between History and Logic....Pages 259-278
Back Matter....Pages 279-287