Probabilistic Reasoning in Intelligent Systems. Networks of Plausible Inference

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.