دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Representing and reasoning with probabilistic knowledge: a logical approach to probabilities
دانلود کتاب نمایندگی و استدلال با دانش احتمالی: یک رویکرد منطقی به احتمالات
مشخصات کتاب
Representing and reasoning with probabilistic knowledge: a logical approach to probabilities
ویرایش:
نویسندگان: Fahiem Bacchus
سری:
ISBN (شابک) : 0262023172, 9780262023177
ناشر: The MIT Press
سال نشر: 1990
تعداد صفحات: 258
زبان: English
فرمت فایل : DJVU (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 مگابایت
قیمت کتاب (تومان) : 48,000
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Representing and reasoning with probabilistic knowledge: a logical approach to probabilities 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 نمایندگی و استدلال با دانش احتمالی: یک رویکرد منطقی به احتمالات 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 نمایندگی و استدلال با دانش احتمالی: یک رویکرد منطقی به احتمالات
اطلاعات احتمالی کاربردهای زیادی در یک سیستم هوشمند دارد. این
کتاب فرمالیسم های منطقی برای بازنمایی و استدلال با اطلاعات
احتمالی را بررسی می کند که برای محققان در استدلال غیر یکنواخت،
کاربردهای احتمالات و بازنمایی دانش از ارزش خاصی برخوردار است.
این نشان می دهد که احتمالات محدود به برنامه های کاربردی خاص
مانند سیستم های خبره نیستند. آنها نقش مهمی در طراحی رسمی و
مشخصات سیستم های هوشمند به طور کلی دارند.
فهیم باخوس بر دو مفهوم متمایز از احتمالات تمرکز می کند: یکی
گزاره ای، شامل درجات اعتقادی، دیگری متناسب، شامل احتمالات.
آمار. او برای هر نوع احتمال، منطق‌های متمایزی با معناشناسی
متفاوت می‌سازد که پیشرفت چشمگیری در ابزارهای رسمی موجود برای
بازنمایی و استدلال با احتمالات است. این منطق‌ها می‌توانند طیف
گسترده‌ای از ادعاهای کیفی را نشان دهند، الزامات احتمالات دقیق
نقطه‌ای را حذف می‌کنند، و می‌توانند اطلاعات منطقی مرتبه اول را
نشان دهند. منطق‌ها همچنین دارای نظریه‌های اثباتی هستند که
مشخصه‌ای رسمی برای کلاسی از استدلال ارائه می‌دهند که اکثر
طرح‌های استدلال احتمالی را که تاکنون در هوش مصنوعی توسعه
یافته‌اند را در بر می‌گیرد و ادغام می‌کند.
استفاده از ابزارهای منطقی جدید برای ارتباط آماری با گزاره‌ها.
باکوس همچنین سیستمی از استنتاج مستقیم را پیشنهاد می‌کند که در
آن می‌توان درجاتی از باور را از دانش آماری استنباط کرد و نشان
می‌دهد که چگونه می‌توان از این مکانیسم برای به دست آوردن یک
سیستم قوی و شهودی رضایت‌بخش از استدلال رد یا پیش‌فرض استفاده
کرد.
محتوا: مقدمه. احتمالات گزاره ای احتمالات آماری ترکیب
احتمالات آماری و گزاره ای استنتاج پیش فرض از دانش آماری
توضیحاتی درمورد کتاب به خارجی
Probabilistic information has many uses in an intelligent
system. This book explores logical formalisms for representing
and reasoning with probabilistic information that will be of
particular value to researchers in nonmonotonic reasoning,
applications of probabilities, and knowledge representation. It
demonstrates that probabilities are not limited to particular
applications, like expert systems; they have an important role
to play in the formal design and specification of intelligent
systems in general.
Fahiem Bacchus focuses on two distinct notions of
probabilities: one propositional, involving degrees of belief,
the other proportional, involving statistics. He constructs
distinct logics with different semantics for each type of
probability that are a significant advance in the formal tools
available for representing and reasoning with probabilities.
These logics can represent an extensive variety of qualitative
assertions, eliminating requirements for exact point-valued
probabilities, and they can represent firstorder logical
information. The logics also have proof theories which give a
formal specification for a class of reasoning that subsumes and
integrates most of the probabilistic reasoning schemes so far
developed in AI.
Using the new logical tools to connect statistical with
propositional probability, Bacchus also proposes a system of
direct inference in which degrees of belief can be inferred
from statistical knowledge and demonstrates how this mechanism
can be applied to yield a powerful and intuitively satisfying
system of defeasible or default reasoning.
Contents: Introduction. Propositional Probabilities.
Statistical Probabilities. Combining Statistical and
Propositional Probabilities Default Inferences from Statistical
Knowledge
