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: Vladik Kreinovich
سری: Studies in Computational Intelligence, 1047
ISBN (شابک) : 3031099737, 9783031099731
ناشر: Springer
سال نشر: 2022
تعداد صفحات: 135
[136]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 2 Mb
در صورت تبدیل فایل کتاب Towards Explainable Fuzzy AI: Concepts, Paradigms, Tools, and Techniques 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 به سوی هوش مصنوعی فازی قابل توضیح: مفاهیم، پارادایم ها، ابزارها و تکنیک ها 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.
تکنیکهای هوش مصنوعی مدرن – بهویژه یادگیری عمیق – در
بسیاری از موارد توصیههای بسیار خوبی ارائه میدهند: اینکه یک
خودروی خودران باید کجا برود، آیا به یک شرکت وام بدهیم یا نه.
مشکل اینجاست که همه این توصیهها نیست. خوب هستند -- و از آنجایی
که یادگیری عمیق هیچ توضیحی ارائه نمی دهد، نمی توانیم بگوییم
کدام توصیه خوب است. بنابراین، ارائه توضیح به زبان طبیعی
توصیههای AI عددی مطلوب است. نیاز به اتصال قواعد زبان طبیعی و
تصمیمات عددی از دهه 1960 شناخته شده است، زمانی که نیاز به ترکیب
دانش تخصصی - که با کلمات نادرستی مانند "کوچک" توصیف شده است -
در کنترل و تصمیمگیری ظاهر شد. برای این ادغام، یک تکنیک ویژه
\"فازی\" اختراع شد که منجر به بسیاری از برنامه های کاربردی موفق
شد. این کتاب توضیح میدهد که چگونه این تکنیک میتواند به توضیح
بیشتر هوش مصنوعی کمک کند. این کتاب را میتوان به دانشآموزان،
محققان و پزشکان علاقهمند به هوش مصنوعی قابل توضیح توصیه
کرد.
Modern AI techniques –- especially deep learning –-
provide, in many cases, very good recommendations: where a
self-driving car should go, whether to give a company a
loan, etc. The problem is that not all these
recommendations are good -- and since deep learning
provides no explanations, we cannot tell
which recommendations are good. It is therefore
desirable to provide natural-language explanation of the
numerical AI recommendations. The need to connect
natural language rules and numerical decisions is known
since 1960s, when the need emerged to incorporate expert
knowledge -- described by imprecise words like "small" --
into control and decision making. For this incorporation,
a special "fuzzy" technique was invented, that led to many
successful applications. This book described how this
technique can help to make AI more explainable.The book can be
recommended for students, researchers, and practitioners
interested in explainable AI.
Preface Contents 1 Why Explainable AI? Why Fuzzy Explainable AI? What Is Fuzzy? 1.1 Why Explainable AI? 1.2 Why Fuzzy Techniques Seem a Reasonable Approach for Explainable AI 1.3 What Is Fuzzy Methodology 1.4 Summary of Fuzzy Methodology 1.5 Exercises 2 Defuzzification 2.1 Formulation of the Problem: Reminder 2.2 Main Idea and the Resulting Formula 2.3 Integral Form 2.4 Important Comment: Centroid Defuzzification Is Not a Panacea 2.5 Exercises 2.6 Self-Test 1 3 Which Fuzzy Techniques? 3.1 What We Study in This Chapter 3.2 Interpolation Should Be Robust 3.3 Which Interpolation Is the Most Robust 3.4 ``And''- and ``Or''-Operations Must Be Robust Too 3.5 Which Is the Most Robust ``And''-Operation 3.6 Which Is the Most Robust ``Or''-Operation 3.7 Group Robustness Versus Individual Robustness 3.8 Which Interpolation Is the Most Individually Robust 3.9 The Most Individually Robust ``And''-Operation 3.10 Robustness Versus Individual Robustness: Example 3.11 The Most Individually Robust ``Or''-Operation 3.12 General Conclusion 3.13 Exercises 4 So How Can We Design Explainable Fuzzy AI: Ideas 4.1 Machine Learning Revisited 4.2 Exercises 4.3 Self-Test 2 5 How to Make Machine Learning Itself More Explainable 5.1 How Can We Make Machine Learning Itself More Explainable: Idea 5.2 Selection of an Activation Function 5.3 Selection of Pooling 5.4 What About Fuzzy? 5.5 Exercises 5.6 Self-Test 3 6 Final Self-Test Appendix A Terms Used in the Book (in Alphabetic Order) Appendix B Why Do We Need …? (in Alphabetic Order) Appendix C Solutions to Exercises Appendix D Solutions to Self-Tests D.1 Solutions to Self-Test 1 D.2 Solutions to Self-Test 2 D.3 Solutions to Self-Test 3 D.4 Solutions to Final Self-Test Appendix E Additional Readings