Neural-Symbolic Learning Systems: Foundations and Applications

هوش مصنوعی به تولید دستگاه‌هایی می‌پردازد که به انسان در فعالیت‌های روزمره کمک می‌کنند یا جایگزین می‌شوند. سیستم های یادگیری عصبی- نمادین با ترکیب و تلاش برای بهره مندی از مزایای هر دو الگوی عصبی و نمادین هوش مصنوعی، نقش اصلی را در این وظیفه ایفا می کنند.
این کتاب مقدمه‌ای جامع در زمینه سیستم‌های یادگیری عصبی-نمادین و مروری ارزشمند از آخرین مسائل تحقیقاتی در این زمینه ارائه می‌کند. این به سه بخش تقسیم شده است که موضوعات اصلی ادغام عصبی- نمادین - پیشرفت های نظری در بازنمایی و یادگیری دانش، استخراج دانش از شبکه های عصبی آموزش دیده، و مدیریت ناسازگاری در سیستم های عصبی- نمادی را پوشش می دهد. هر بخش تعادلی بین تئوری و عمل ارائه می‌کند و نتایج برنامه‌های کاربردی را با استفاده از مسائل دنیای واقعی در زمینه‌هایی مانند تجزیه و تحلیل توالی DNA، تشخیص خطای سیستم‌های قدرت و مشخصات مورد نیاز نرم‌افزار ارائه می‌دهد.
سیستم‌های یادگیری عصبی- نمادین برای محققان و دانشجویان فارغ‌التحصیل در رشته‌های مهندسی، علوم محاسباتی، هوش مصنوعی، یادگیری ماشین و محاسبات عصبی خواندنی ارزشمند خواهد بود. همچنین مورد علاقه متخصصان سیستم های هوشمند و هر کسی که علاقه مند به برنامه های کاربردی سیستم های هوش مصنوعی ترکیبی است.

Artificial Intelligence is concerned with producing devices that help or replace human beings in their daily activities. Neural-symbolic learning systems play a central role in this task by combining, and trying to benefit from, the advantages of both the neural and symbolic paradigms of artificial intelligence.
This book provides a comprehensive introduction to the field of neural-symbolic learning systems, and an invaluable overview of the latest research issues in this area. It is divided into three sections, covering the main topics of neural-symbolic integration - theoretical advances in knowledge representation and learning, knowledge extraction from trained neural networks, and inconsistency handling in neural-symbolic systems. Each section provides a balance of theory and practice, giving the results of applications using real-world problems in areas such as DNA sequence analysis, power systems fault diagnosis, and software requirements specifications.
Neural-Symbolic Learning Systems will be invaluable reading for researchers and graduate students in Engineering, Computing Science, Artificial Intelligence, Machine Learning and Neurocomputing. It will also be of interest to Intelligent Systems practitioners and anyone interested in applications of hybrid artificial intelligence systems.