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:
نویسندگان: Judea Pearl (Auth.)
سری:
ISBN (شابک) : 9780080514895
ناشر: Elsevier Inc
سال نشر: 1988
تعداد صفحات: 554
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 26 مگابایت
در صورت تبدیل فایل کتاب Probabilistic Reasoning in Intelligent Systems. Networks of Plausible Inference 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 استدلال احتمالی در سیستم های هوشمند. شبکه های استنباط قابل قبول 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.
استدلال احتمالی در سیستمهای هوشمند گزارش کامل و قابل
دسترس از مبانی نظری و روشهای محاسباتی است که زیربنای استدلال
قابل قبول در شرایط عدم قطعیت است. نویسنده توضیحی منسجم از
احتمال را بهعنوان زبانی برای استدلال با باور جزئی ارائه
میکند و دیدگاهی وحدتبخش درباره سایر رویکردهای هوش مصنوعی به
عدم قطعیت، مانند فرمالیسم Dempster-Shafer، سیستمهای نگهداری
حقیقت، و منطق غیر یکنواخت ارائه میدهد.
نویسنده رویکردهای نحوی و معنایی را برای عدم قطعیت متمایز میکند - و تکنیکهایی را بر اساس شبکههای اعتقادی ارائه میدهد که مکانیزمی برای عملیاتی کردن سیستمهای مبتنی بر معناشناسی ارائه میدهد. به طور خاص، تکنیکهای انتشار شبکه به عنوان مکانیزمی برای ترکیب انسجام نظری نظریه احتمال با الزامات مدرن فناوری سیستمهای استدلالی عمل میکنند: ورودیهای اعلامی مدولار، استنتاجهای مفهومی معنادار، و محاسبات توزیعشده موازی. حوزههای کاربردی شامل تشخیص، پیشبینی، تفسیر تصویر، ادغام چند حسگر، سیستمهای پشتیبانی تصمیم، تشخیص طرح، برنامهریزی، تشخیص گفتار - به طور خلاصه، تقریباً هر کاری که مستلزم نتیجهگیری از سرنخهای نامشخص و اطلاعات ناقص است.
استدلال احتمالی در سیستمهای هوشمند مورد توجه محققان و محققان در هوش مصنوعی، نظریه تصمیمگیری، آمار، منطق، فلسفه، روانشناسی شناختی و علوم مدیریت خواهد بود. متخصصان در زمینههای سیستمهای مبتنی بر دانش، تحقیقات عملیات، مهندسی و آمار ابزارهای نظری و محاسباتی را برای استفاده عملی فوری پیدا خواهند کرد. این کتاب همچنین می تواند به عنوان یک متن عالی برای دوره های تحصیلات تکمیلی در زمینه هوش مصنوعی، تحقیقات عملیاتی یا احتمالات کاربردی استفاده شود.
Probabilistic Reasoning in Intelligent Systems is a
complete and accessible account of the theoretical
foundations and computational methods that underlie plausible
reasoning under uncertainty. The author provides a coherent
explication of probability as a language for reasoning with
partial belief and offers a unifying perspective on other AI
approaches to uncertainty, such as the Dempster-Shafer
formalism, truth maintenance systems, and nonmonotonic
logic.
The author distinguishes syntactic and semantic approaches to uncertainty--and offers techniques, based on belief networks, that provide a mechanism for making semantics-based systems operational. Specifically, network-propagation techniques serve as a mechanism for combining the theoretical coherence of probability theory with modern demands of reasoning-systems technology: modular declarative inputs, conceptually meaningful inferences, and parallel distributed computation. Application areas include diagnosis, forecasting, image interpretation, multi-sensor fusion, decision support systems, plan recognition, planning, speech recognition--in short, almost every task requiring that conclusions be drawn from uncertain clues and incomplete information.
Probabilistic Reasoning in Intelligent Systems will be of special interest to scholars and researchers in AI, decision theory, statistics, logic, philosophy, cognitive psychology, and the management sciences. Professionals in the areas of knowledge-based systems, operations research, engineering, and statistics will find theoretical and computational tools of immediate practical use. The book can also be used as an excellent text for graduate-level courses in AI, operations research, or applied probability.
Content:
THE MORGAN KAUFMANN SERIES IN REPRESENTATION AND REASONING, Page ii
Front Matter, Page iii
Copyright, Page iv
Dedication, Page v
Preface, Pages vii-ix
Preface to the Fourth Printing, Page ix
Chapter 1 - UNCERTAINTY IN AI SYSTEMS: AN OVERVIEW, Pages 1-28
Chapter 2 - BAYESIAN INFERENCE, Pages 29-75
Chapter 3 - MARKOV AND BAYESIAN NETWORKS: Two Graphical Representations of Probabilistic Knowledge, Pages 77-141
Chapter 4 - BELIEF UPDATING BY NETWORK PROPAGATION, Pages 143-237
Chapter 5 - DISTRIBUTED REVISION OF COMPOSITE BELIEFS, Pages 239-288
Chapter 6 - DECISION AND CONTROL, Pages 289-331
Chapter 7 - TAXONOMIC HIERARCHIES, CONTINUOUS VARIABLES, AND UNCERTAIN PROBABILITIES, Pages 333-379
Chapter 8 - LEARNING STRUCTURE FROM DATA, Pages 381-414
Chapter 9 - NON-BAYESIAN FORMALISMS FOR MANAGING UNCERTAINTY, Pages 415-466
Chapter 10 - LOGIC AND PROBABILITY: THE STRANGE CONNECTION, Pages 467-520
Bibliography, Pages 521-538
Author Index, Pages 539-543
Subject Index, Pages 545-552