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: 1 نویسندگان: Craig Saunders, Anthony Demco (auth.), Dr. Barbara Hammer, Dr. Pascal Hitzler (eds.) سری: Studies in Computational Intelligence 77 ISBN (شابک) : 9783540739531, 9783540739548 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2007 تعداد صفحات: 324 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
کلمات کلیدی مربوط به کتاب دیدگاه های یکپارچگی عصبی- نمادین: کاربردی ریاضیات/روش های محاسباتی مهندسی، هوش مصنوعی (شامل رباتیک)
در صورت تبدیل فایل کتاب Perspectives of Neural-Symbolic Integration 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 دیدگاه های یکپارچگی عصبی- نمادین 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.
مغز انسان توانایی قابل توجهی در درک، تفسیر و تولید زبان، ساختارها و منطق دارد. بر خلاف همتایان بیولوژیکی خود، شبکههای عصبی مصنوعی چنین ارتباط نزدیکی با استدلال نمادین ایجاد نمیکنند: مکانیسمهای استنتاج مبتنی بر منطق و یادگیری ماشین آماری دو پارادایم اصلی و بسیار متفاوت در هوش مصنوعی با نقاط قوت و ضعف مکمل را تشکیل میدهند. سناریوهای کاربردی مدرن در رباتیک، بیوانفورماتیک، پردازش زبان، و غیره، با این حال، به کارایی و تحمل نویز مدلهای آماری و توانایی تعمیم و مدلسازی سطح بالا مکانیزمهای استنتاج ساختاری نیاز دارند. بنابراین، رویکردهای مختلفی برای ترکیب این دو پارادایم پیشنهاد شده است.
این جلد به دقت ویرایش شده شامل مشارکت های پیشرفته در ادغام عصبی-نمادین است، که جفت شدن آزاد را با استفاده از هسته های ساختار پوشش می دهد. یا مدل های بازگشتی و همچنین جفت شدن "قوی" منطق و شبکه های عصبی. این مجموعه نمونه ای از نتایج ارائه شده توسط برخی از محققان برتر در این زمینه را گرد هم می آورد که مبانی نظری، طراحی الگوریتمی و کاربردهای پیشرفته در رباتیک و بیوانفورماتیک را پوشش می دهد.
The human brain possesses the remarkable capability of understanding, interpreting, and producing language, structures, and logic. Unlike their biological counterparts, artificial neural networks do not form such a close liason with symbolic reasoning: logic-based inference mechanisms and statistical machine learning constitute two major and very different paradigms in artificial intelligence with complementary strengths and weaknesses. Modern application scenarios in robotics, bioinformatics, language processing, etc., however require both the efficiency and noise-tolerance of statistical models and the generalization ability and high-level modelling of structural inference meachanisms. A variety of approaches has therefore been proposed for combining the two paradigms.
This carefully edited volume contains state-of-the-art contributions in neural-symbolic integration, covering `loose' coupling by means of structure kernels or recursive models as well as `strong' coupling of logic and neural networks. It brings together a representative selection of results presented by some of the top researchers in the field, covering theoretical foundations, algorithmic design, and state-of-the-art applications in robotics and bioinformatics.
Front Matter....Pages I-XIII
Front Matter....Pages 1-5
Kernels for Strings and Graphs....Pages 7-22
Comparing Sequence Classification Algorithms for Protein Subcellular Localization....Pages 23-48
Mining Structure-Activity Relations in Biological Neural Networks using NeuronRank....Pages 49-65
Adaptive Contextual Processing of Structured Data by Recursive Neural Networks: A Survey of Computational Properties....Pages 67-94
Markovian Bias of Neural-based Architectures With Feedback Connections....Pages 95-133
Time Series Prediction with the Self-Organizing Map: A Review....Pages 135-158
A Dual Interaction Perspective for Robot Cognition: Grasping as a “Rosetta Stone”....Pages 159-178
Front Matter....Pages 179-182
SHRUTI: A Neurally Motivated Architecture for Rapid, Scalable Inference....Pages 183-203
The Core Method: Connectionist Model Generation for First-Order Logic Programs....Pages 205-232
Learning Models of Predicate Logical Theories with Neural Networks Based on Topos Theory....Pages 233-264
Advances in Neural-Symbolic Learning Systems: Modal and Temporal Reasoning....Pages 265-282
Connectionist Representation of Multi-Valued Logic Programs....Pages 283-313
Back Matter....Pages 315-319