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: آموزشی ویرایش: 1 نویسندگان: Manuela M. Veloso (eds.) سری: Lecture Notes in Computer Science 886 : Lecture Notes in Artificial Intelligence ISBN (شابک) : 3540588116, 0387588116 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 1994 تعداد صفحات: 190 زبان: English فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 1 مگابایت
کلمات کلیدی مربوط به کتاب برنامه ریزی و یادگیری توسط استدلال آنالوگ: روش های محاسباتی
در صورت تبدیل فایل کتاب Planning and Learning by Analogical 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 برنامه ریزی و یادگیری توسط استدلال آنالوگ 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.
این تک نگاری پژوهشی ادغام استدلال قیاسی و موردی را در حل
مسئله و برنامه ریزی کلی به عنوان روشی برای افزایش سرعت
یادگیری توصیف می کند. این روش، بر اساس قیاس مشتق، به طور کامل
در PRODIGY/ANALOGY اجرا شده است و در عمل ثابت شده است که هم
از نظر دامنه و هم از نظر پیچیدگی مسئله، قابل افزایش
است.
در این کار، فرآیند یادگیری در سطح استراتژی برای اولین بار به
عنوان اتوماسیون چرخه کامل ساخت، ذخیره سازی، بازیابی، و
استفاده مجدد انعطاف پذیر از تجربه حل مسئله ساخته شده است.
الگوریتم های درگیر به تفصیل ارائه شده و مثال های متعددی ارائه
شده است. بنابراین، این کتاب به محققان و همچنین پزشکان
میپردازد.
This research monograph describes the integration of
analogical and case-based reasoning into general problem
solving and planning as a method of speedup learning. The
method, based on derivational analogy, has been fully
implemented in PRODIGY/ANALOGY and proven in practice to be
amenable to scaling up, both in terms of domain and problem
complexity.
In this work, the strategy-level learning process is cast for
the first time as the automation of the complete cycle of
construction, storing, retrieving, and flexibly reusing
problem solving experience. The algorithms involved are
presented in detail and numerous examples are given. Thus the
book addresses researchers as well as practitioners.
Introduction....Pages 1-13
Overview....Pages 15-32
The problem solver....Pages 33-52
Generation of problem solving cases....Pages 53-66
Case storage: Automated indexing....Pages 67-90
Efficient case retrieval....Pages 91-110
Analogical replay....Pages 111-139
Empirical results....Pages 141-162
Related work....Pages 163-168
Conclusion....Pages 169-172