Neural-symbolic cognitive reasoning

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 مدل های شبکه عصبی که دو پدیده اساسی شناخت را با هم ترکیب می کنند، به این سوال می پردازند: 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 عصبی- نمادی صحیح 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.