دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Probabilistic Inductive Logic Programming: Theory and Applications
دانلود کتاب برنامه نویسی منطقی استقرایی احتمالی: نظریه و کاربردها
مشخصات کتاب
Probabilistic Inductive Logic Programming: Theory and Applications
ویرایش: 1 نویسندگان: Luc De Raedt, Kristian Kersting (auth.), Luc De Raedt, Paolo Frasconi, Kristian Kersting, Stephen Muggleton (eds.) سری: Lecture Notes in Computer Science 4911 : Lecture Notes in Artificial Intelligence ISBN (شابک) : 9783540786511, 9783540786528 ناشر: Springer-Verlag Berlin Heidelberg سال نشر: 2008 تعداد صفحات: 347 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 8 مگابایت
قیمت کتاب (تومان) : 47,000
کلمات کلیدی مربوط به کتاب برنامه نویسی منطقی استقرایی احتمالی: نظریه و کاربردها: هوش مصنوعی (شامل رباتیک)، تکنیک های برنامه نویسی، منطق ریاضی و زبان های رسمی، تجزیه و تحلیل الگوریتم و پیچیدگی مسائل، داده کاوی و کشف دانش، زیست شناسی محاسباتی/بیوانفورماتیک
در صورت تبدیل فایل کتاب Probabilistic Inductive Logic Programming: Theory and Applications 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 نویسی منطقی استقرایی احتمالی: نظریه و کاربردها 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.
توضیحاتی در مورد کتاب برنامه نویسی منطقی استقرایی احتمالی: نظریه و کاربردها
این سوال که چگونه احتمال و منطق را با یادگیری ترکیب کنیم، در چندین رشته مانند بازنمایی دانش، استدلال در مورد عدم قطعیت، داده کاوی و یادگیری ماشین به طور شبیه سازی توجه بیشتری را به خود جلب کرده است. این منجر به زیرشاخه‌ای جدید در حال ظهور می‌شود که با نام‌های یادگیری رابطه‌ای آماری و برنامه‌ریزی منطق استقرایی احتمالی شناخته می‌شود.
این کتاب مقدمه‌ای بر این زمینه با تأکید بر روش‌های مبتنی بر اصول برنامه‌نویسی منطقی ارائه می‌کند. با فرمالیسم ها و سیستم ها، اجراها و کاربردها، و همچنین با نظریه برنامه ریزی منطق استقرایی احتمالی سروکار دارد.
13 فصل این بررسی پیشرفته با مقدمه ای بر احتمالات آغاز می شود.
برنامه نویسی منطق استقرایی؛ علاوه بر این، این کتاب یک مرور
کلی از مهم‌ترین فرمالیسم‌ها و سیستم‌های یادگیری منطق احتمالی
مانند تکنیک‌های یادگیری توالی رابطه‌ای، با استفاده از
هسته‌هایی با نمایش‌های منطقی، منطق مارکوف، سیستم PRISM،
CLP(BN)، برنامه‌های منطق بیزی و انتخاب مستقل ارائه می‌کند.
منطق. بخش سوم شرح مفصلی از برخی کاربردهای نمایشی برنامه نویسی
منطق استقرایی احتمالی ارائه می دهد. بخش پایانی به برخی از
تحقیقات نظری می‌پردازد و شامل فصل‌هایی درباره مقایسه رفتاری
نمایش‌های برنامه‌ریزی منطق احتمالی و تحلیل بیانی مدل-نظری
است.
توضیحاتی درمورد کتاب به خارجی
The question, how to combine probability and logic with learning, is getting an increased attention in several disciplines such as knowledge representation, reasoning about uncertainty, data mining, and machine learning simulateously. This results in the newly emerging subfield known under the names of statistical relational learning and probabilistic inductive logic programming.
This book provides an introduction to the field with an emphasis on the methods based on logic programming principles. It is concerned with formalisms and systems, implementations and applications, as well as with the theory of probabilistic inductive logic programming.
The 13 chapters of this state-of-the-art survey start with an
introduction to probabilistic inductive logic programming;
moreover the book presents a detailed overview of the most
important probabilistic logic learning formalisms and systems
such as relational sequence learning techniques, using
kernels with logical representations, Markov logic, the PRISM
system, CLP(BN), Bayesian logic programs, and the independent
choice logic. The third part provides a detailed account of
some show-case applications of probabilistic inductive logic
programming. The final part touches upon some theoretical
investigations and includes chapters on behavioural
comparison of probabilistic logic programming representations
and a model-theoretic expressivity analysis.
فهرست مطالب
Front Matter....Pages -
Probabilistic Inductive Logic Programming....Pages 1-27
Relational Sequence Learning....Pages 28-55
Learning with Kernels and Logical Representations....Pages 56-91
Markov Logic....Pages 92-117
New Advances in Logic-Based Probabilistic Modeling by PRISM....Pages 118-155
CLP( $\cal{BN}$ ): Constraint Logic Programming for Probabilistic Knowledge....Pages 156-188
Basic Principles of Learning Bayesian Logic Programs....Pages 189-221
The Independent Choice Logic and Beyond....Pages 222-243
Protein Fold Discovery Using Stochastic Logic Programs....Pages 244-262
Probabilistic Logic Learning from Haplotype Data....Pages 263-286
Model Revision from Temporal Logic Properties in Computational Systems Biology....Pages 287-304
A Behavioral Comparison of Some Probabilistic Logic Models....Pages 305-324
Model-Theoretic Expressivity Analysis....Pages 325-339
Back Matter....Pages -
