دانلود کتاب مدل سازی و استدلال با مفاهیم مبهم بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Modelling and Reasoning with Vague Concepts
ویرایش : 1 ed.
عنوان ترجمه شده به فارسی : مدل سازی و استدلال با مفاهیم مبهم
سری : Studies in Computational Intelligence 12
نویسندگان : Dr. Jonathan Lawry (auth.)
ناشر : Springer US
سال نشر : 2006
تعداد صفحات : 246
[259]
ISBN (شابک) : 978-0-387-290 , 978-0-387-302
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 4 Mb
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
مبهم برای انعطاف پذیری و استحکام توضیحات زبان طبیعی اساسی است. مفاهیم مبهم نسبت به عدم دقت درک ما قوی هستند ، در حالی که هنوز به ما امکان می دهد اطلاعات مفید و گاه حیاتی را منتقل کنیم. بنابراین مطالعه مبهم در هوش مصنوعی (AI) از تمایل به گنجاندن این استحکام و انعطاف پذیری در سیستم های رایانه ای هوشمند انگیزه دارد. با این حال ، چنین هدفی به یک مدل رسمی از مفاهیم مبهم نیاز دارد که به ما امکان می دهد عدم اطمینان ناشی از استفاده از آنها را به عنوان ابزاری برای انتقال اطلاعات بین عوامل خودمختار تعیین کنیم و دستکاری کنیم. چارچوب مدل سازی و استدلال با مفاهیم مبهم در هوش مصنوعی. حساب جدید دارای برنامه های بسیاری است ، به ویژه در استدلال خودکار ، یادگیری ، تجزیه و تحلیل داده ها و همجوشی اطلاعات. این کتاب مقدمه ای دقیق از نظریه معناشناسی برچسب ، با نمونه های بسیاری نشان داده شده است ، و تفسیرهای عملیاتی روشنی از اقدامات پیشنهادی را نشان می دهد. همچنین توضیحات مفصلی در مورد چگونگی استفاده از تئوری در تجزیه و تحلیل داده ها و همجوشی اطلاعات بر اساس طیف وسیعی از مشکلات معیار ارائه می دهد.
Vagueness is central to the flexibility and robustness of natural language descriptions. Vague concepts are robust to the imprecision of our perceptions, while still allowing us to convey useful, and sometimes vital, information. The study of vagueness in Artificial Intelligence (AI) is therefore motivated by the desire to incorporate this robustness and flexibility into intelligent computer systems. Such a goal, however, requires a formal model of vague concepts that will allow us to quantify and manipulate the uncertainty resulting from their use as a means of passing information between autonomous agents.
This volume outlines a formal representation framework for modelling and reasoning with vague concepts in Artificial Intelligence. The new calculus has many applications, especially in automated reasoning, learning, data analysis and information fusion. This book gives a rigorous introduction to label semantics theory, illustrated with many examples, and suggests clear operational interpretations of the proposed measures. It also provides a detailed description of how the theory can be applied in data analysis and information fusion based on a range of benchmark problems.