Logic for Learning: Learning Comprehensible Theories from Structured Data

این کتاب به تعامل غنی و پربار بین زمینه‌های منطق محاسباتی و یادگیری ماشین می‌پردازد. مخاطب مورد نظر دانشجویان ارشد، دانشجویان کارشناسی ارشد و محققان در هر یک از این رشته ها هستند. برای کسانی که در منطق محاسباتی هستند، هیچ دانش قبلی از یادگیری ماشین فرض نمی شود و برای کسانی که در یادگیری ماشین هستند، هیچ دانش قبلی از منطق محاسباتی فرض نمی شود. منطقی که در سرتاسر کتاب استفاده می شود منطقی درجه بالاتر است. منطق مرتبه بالاتر در حال حاضر به شدت در برخی از بخش های علوم کامپیوتر استفاده می شود، به عنوان مثال، علوم کامپیوتر نظری، برنامه نویسی عملکردی، و تایید سخت افزار، عمدتا به دلیل قدرت بیانی زیاد آن. انگیزه‌های مشابهی در اینجا نیز اعمال می‌شود: توابع مرتبه بالاتر می‌توانند توابع دیگری به عنوان آرگومان داشته باشند و این قابلیت می‌تواند برای ارائه انتزاعی‌ها برای نمایش دانش، روش‌هایی برای ساخت محمول‌ها و پایه‌ای برای محاسبات مبتنی بر منطق مورد سوء استفاده قرار گیرد. این کتاب باید برای محققان در یادگیری ماشین، به ویژه کسانی که روش‌های یادگیری برای داده‌های ساختاریافته را مطالعه می‌کنند، مورد علاقه باشد. برنامه‌های کاربردی یادگیری ماشینی به طور فزاینده‌ای به برنامه‌هایی توجه می‌کنند که افراد موضوع یادگیری ساختار پیچیده‌ای برای آن‌ها دارند. کاربردهای معمولی شامل یادگیری متن برای شبکه جهانی وب و بیوانفورماتیک است. روش‌های سنتی برای چنین برنامه‌هایی معمولاً شامل استخراج ویژگی‌ها برای کاهش مشکل به یادگیری ویژگی-مقدار است.

This book is concerned with the rich and fruitful interplay between the fields of computational logic and machine learning. The intended audience is senior undergraduates, graduate students, and researchers in either of those fields. For those in computational logic, no previous knowledge of machine learning is assumed and, for those in machine learning, no previous knowledge of computational logic is assumed. The logic used throughout the book is a higher-order one. Higher-order logic is already heavily used in some parts of computer science, for example, theoretical computer science, functional programming, and hardware verifica­ tion, mainly because of its great expressive power. Similar motivations apply here as well: higher-order functions can have other functions as arguments and this capability can be exploited to provide abstractions for knowledge representation, methods for constructing predicates, and a foundation for logic-based computation. The book should be of interest to researchers in machine learning, espe­ cially those who study learning methods for structured data. Machine learn­ ing applications are becoming increasingly concerned with applications for which the individuals that are the subject of learning have complex struc­ ture. Typical applications include text learning for the World Wide Web and bioinformatics. Traditional methods for such applications usually involve the extraction of features to reduce the problem to one of attribute-value learning.