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: Luc De Raedt, Kristian Kersting, Sriraam Natarajan, David Poole سری: Synthesis Lectures on Artificial Intelligence and Machine Learning ISBN (شابک) : 9781627058421 ناشر: Morgan & Claypool سال نشر: 2016 تعداد صفحات: 163 زبان: english فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Statistical Relational Artificial Intelligence. Logic, Probability and Computation 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 هوش مصنوعی رابطه ای آماری. منطق، احتمال و محاسبات 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.
یک عامل هوشمند در تعامل با دنیای واقعی با افراد فردی، دورهها، نتایج آزمایشها، نسخههای داروها، صندلیها، جعبهها و غیره مواجه میشود و باید درباره ویژگیهای این افراد و روابط بین آنها استدلال کند و همچنین با عدم قطعیت کنار بیاید. عدم قطعیت در نظریه احتمال و مدلهای گرافیکی، و روابط در منطق، بهویژه در محاسبات محمول و پسوندهای آن مورد مطالعه قرار گرفتهاند. این کتاب به بررسی مبانی ترکیب منطق و احتمال در مدلهای احتمالی رابطهای میپردازد. این نمایش، استنتاج و تکنیک های یادگیری را برای احتمال، منطق و ترکیبات آنها معرفی می کند. این کتاب بر روی دو نمایش به تفصیل تمرکز دارد: شبکههای منطقی مارکوف، بسط رابطهای از مدلهای گرافیکی بدون جهت و فرمول حساب محمولی مرتبه اول وزندار، و Problog، توسعه احتمالی برنامههای منطقی که میتواند به عنوان یک پسوند رابطهای کامل تورینگ نیز مشاهده شود. شبکه های بیزی
An intelligent agent interacting with the real world will encounter individual people, courses, test results, drugs prescriptions, chairs, boxes, etc., and needs to reason about properties of these individuals and relations among them as well as cope with uncertainty. Uncertainty has been studied in probability theory and graphical models, and relations have been studied in logic, in particular in the predicate calculus and its extensions. This book examines the foundations of combining logic and probability into what are called relational probabilistic models. It introduces representations, inference, and learning techniques for probability, logic, and their combinations. The book focuses on two representations in detail: Markov logic networks, a relational extension of undirected graphical models and weighted first-order predicate calculus formula, and Problog, a probabilistic extension of logic programs that can also be viewed as a Turing-complete relational extension of Bayesian networks.