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: عصب شناسی ویرایش: 1 نویسندگان: Dr. Artur S. d’Avila Garcez, Dr. Luís C. Lamb, Prof. Dov M. Gabbay (auth.) سری: Cognitive Technologies ISBN (شابک) : 9783642092299, 3642092292 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2009 تعداد صفحات: 200 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
کلمات کلیدی مربوط به کتاب استدلال شناختی عصبی - نمادی: هوش مصنوعی (شامل رباتیک)، محاسبات با دستگاه های انتزاعی، نظریه محاسبات، منطق، منطق ریاضی و زبان های رسمی، تشخیص الگو
در صورت تبدیل فایل کتاب Neural-Symbolic Cognitive Reasoning 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 استدلال شناختی عصبی - نمادی 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.
انسانها اغلب در اجرای استدلال عملی فوق العاده هستند. مواردی وجود دارد که کامپیوتر انسان، به همان اندازه که کند است، سریعتر از هر سیستم هوش مصنوعی است. آیا به دلیل درک ما از دانش در مقایسه با روشی که آن را نشان می دهیم سریعتر هستیم؟
نویسندگان با ارائه مدلهای شبکه عصبی که دو پدیده اساسی شناخت را با هم ترکیب میکنند، به این سؤال میپردازند: توانایی ما برای یادگیری از تجربه، و توانایی ما برای استدلال از آنچه بوده است. یاد گرفت. این کتاب اولین کتابی است که ارائهای مستقل از مدلهای شبکه عصبی برای تعدادی از منطقهای علوم کامپیوتر، از جمله منطقهای معرفتی، زمانی و معرفتی ارائه میکند. با استفاده از یک نمایش گرافیکی، شبکههای عصبی را از طریق یک روش ادغام سمبولیک عصبی-صدا توضیح میدهد و بر مزایای ادغام یادگیری قوی مؤثر با قابلیتهای استدلال بیانی تمرکز میکند.
این کتاب برای محققان دانشگاهی، دانشجویان فارغ التحصیل و دانشجویان ارشد در علوم کامپیوتر، هوش مصنوعی، یادگیری ماشین، علوم شناختی و مهندسی خواندنی ارزشمند خواهد بود. همچنین برای منطقدانان محاسباتی و متخصصان حرفهای در کاربردهای سیستمهای هوش مصنوعی، ترکیبی و شناختی جالب خواهد بود.
Humans are often extraordinary at performing practical reasoning. There are cases where the human computer, slow as it is, is faster than any artificial intelligence system. Are we faster because of the way we perceive knowledge as opposed to the way we represent it?
The authors address this question by presenting neural network models that integrate the two most fundamental phenomena of cognition: our ability to learn from experience, and our ability to reason from what has been learned. This book is the first to offer a self-contained presentation of neural network models for a number of computer science logics, including modal, temporal, and epistemic logics. By using a graphical presentation, it explains neural networks through a sound neural-symbolic integration methodology, and it focuses on the benefits of integrating effective robust learning with expressive reasoning capabilities.
The book will be invaluable reading for academic researchers, graduate students, and senior undergraduates in computer science, artificial intelligence, machine learning, cognitive science and engineering. It will also be of interest to computational logicians, and professional specialists on applications of cognitive, hybrid and artificial intelligence systems.
Front Matter....Pages i-xiii
Introduction....Pages 1-7
Logic and Knowledge Representation....Pages 9-21
Artificial Neural Networks....Pages 23-33
Neural-Symbolic Learning Systems....Pages 35-54
Connectionist Modal Logic....Pages 55-74
Connectionist Temporal Reasoning....Pages 75-85
Connectionist Intuitionistic Reasoning....Pages 87-100
Applications of Connectionist Nonclassical Reasoning....Pages 101-113
Fibring Neural Networks....Pages 115-126
Relational Learning in Neural Networks....Pages 127-141
Argumentation Frameworks as Neural Networks....Pages 143-159
Reasoning about Probabilities in Neural Networks....Pages 161-167
Conclusions....Pages 169-180
Back Matter....Pages 181-197