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
ویرایش:
نویسندگان: Pedro Domingos. Daniel Lowd
سری: Synthesis Lectures on Artificial Intelligence and Machine Learning
ISBN (شابک) : 9781598296938
ناشر: Morgan & Claypool
سال نشر: 2009
تعداد صفحات: 144
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 1 مگابایت
در صورت تبدیل فایل کتاب Markov Logic. An Interface Layer for Artificial Intelligence 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 منطق مارکوف یک لایه رابط برای هوش مصنوعی 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.
اکثر زیرشاخه های علوم کامپیوتر دارای یک لایه رابط هستند که از طریق آن برنامه ها با زیرساخت ارتباط برقرار می کنند و این کلید موفقیت آنها است (به عنوان مثال، اینترنت در شبکه، مدل رابطه ای در پایگاه های داده و غیره). تاکنون این لایه رابط در هوش مصنوعی گم شده است. منطق مرتبه اول و مدلهای گرافیکی احتمالی هر کدام برخی از ویژگیهای لازم را دارند، اما یک لایه رابط پایدار نیاز به ترکیب هر دو دارد. منطق مارکوف یک زبان جدید قدرتمند است که این کار را با چسباندن وزن به فرمولهای مرتبه اول و در نظر گرفتن آنها به عنوان الگوهایی برای ویژگیهای فیلدهای تصادفی مارکوف انجام میدهد. اکثر مدلهای آماری در کاربرد گسترده، موارد خاصی از منطق مارکوف هستند و منطق مرتبه اول حد وزن بینهایت آن است. الگوریتمهای استنتاج برای منطق مارکوف ایدههایی را از رضایتپذیری، زنجیره مارکوف مونت کارلو، انتشار باور و وضوح ترکیب میکنند. الگوریتم های یادگیری از احتمال شرطی، بهینه سازی محدب و برنامه نویسی منطق استقرایی استفاده می کنند. منطق مارکوف با موفقیت برای مشکلات استخراج و ادغام اطلاعات، پردازش زبان طبیعی، نقشه برداری ربات، شبکه های اجتماعی، زیست شناسی محاسباتی و موارد دیگر به کار گرفته شده است و اساس سیستم منبع باز کیمیاگری است.
Most subfields of computer science have an interface layer via which applications communicate with the infrastructure, and this is key to their success (e.g., the Internet in networking, the relational model in databases, etc.). So far this interface layer has been missing in AI. First-order logic and probabilistic graphical models each have some of the necessary features, but a viable interface layer requires combining both. Markov logic is a powerful new language that accomplishes this by attaching weights to first-order formulas and treating them as templates for features of Markov random fields. Most statistical models in wide use are special cases of Markov logic, and first-order logic is its infinite-weight limit. Inference algorithms for Markov logic combine ideas from satisfiability, Markov chain Monte Carlo, belief propagation, and resolution. Learning algorithms make use of conditional likelihood, convex optimization, and inductive logic programming. Markov logic has been successfully applied to problems in information extraction and integration, natural language processing, robot mapping, social networks, computational biology, and others, and is the basis of the open-source Alchemy system.