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 ed.]
نویسندگان: Didier Dubois. Henri Prade (auth.)
سری:
ISBN (شابک) : 9781468452891, 9781468452877
ناشر: Springer US
سال نشر: 1988
تعداد صفحات: 280
[273]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 17 Mb
در صورت تبدیل فایل کتاب Possibility Theory: An Approach to Computerized Processing of Uncertainty 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 نظریه امکان: رویکردی به پردازش کامپیوتری عدم قطعیت 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.
در تکامل نظریههای علمی، نگرانی از عدم قطعیت تقریباً همیشه همراه با بلوغ است. این قطعاً در مورد تکامل فیزیک، اقتصاد، تحقیق در عملیات، علوم ارتباطات و بسیاری از زمینههای دیگر صادق است. و آنچه اخیراً در زمینه هوش مصنوعی اتفاق افتاده است، به ویژه در توسعه نظریههای مربوط به مدیریت عدم قطعیت در سیستمهای مبتنی بر دانش، صادق است. در علم، برخورد با عدم قطعیت از طریق استفاده از نظریه احتمال سنتی است. با این حال، در سالهای اخیر، به طور فزایندهای روشن شده است که برخی از جنبههای مهم عدم قطعیت وجود دارد که نمیتوانند با روشهای کلاسیک مبتنی بر احتمال تحلیل شوند. یکی از این جنبه ها کشش واژگانی است که به مبهم بودن کلمات در زبان های طبیعی مربوط می شود. به عنوان مثال، حتی یک رابطه ساده X، Y و Z، که به گونه ای بیان می شود که اگر X کوچک است و Y بسیار بزرگ است، سپس بین Z بسیار کوچک نیست، خود را به یک تفسیر ساده در چارچوب نظریه احتمال نمی دهد. به دلیل کشش واژگانی محمولات کوچک و بزرگ.
In the evolution of scientific theories, concern with uncertainty is almost invariably a concomitant of maturation. This is certainly true of the evolution· of physics, economics, operations research, communication sciences, and a host of other fields. And it is true of what has been happening more recently in the area of artificial intelligence, most notably in the development of theories relating to the management of uncertainty in knowledge-based systems. In science, it is traditional to deal with uncertainty through the use of probability theory. In recent years, however, it has become increasingly clear that there are some important facets of uncertainty which do not lend themselves to analysis by classical probability-based methods. One such facet is that of lexical elasticity, which relates to the fuzziness of words in natural languages. As a case in point, even a simple relation X, Y, and Z, expressed as if X is small and Y is very large then between Z is not very small, does not lend itself to a simple interpretation within the framework of probability theory by reason of the lexical elasticity of the predicates small and large.