UČENIE A UVAŽOVANIE V HYBRIDNEJ ŠTRUKTÚRE

Pôvodný názov:

LEARNING & REASONING IN HYBRID STRUCTURE

Obsah knihy:

Aplikácie umelej inteligencie často zahŕňajú prácu s neistotou, napríklad s čiastočne pozorovaným prostredím alebo hlučným pozorovaním. Teória pravdepodobnosti je jedným zo spôsobov modelovania neistoty, ale väčšina súčasných pravdepodobnostných modelov sa nedokáže vyrovnať s hybridnými numerickými a logickými oblasťami.

Existujúce hybridné spojité/diskrétne modely sú zvyčajne obmedzené, bez záruky chyby aproximácie, takže mnohé problémy reálneho sveta sú mimo dosahu súčasných systémov. Táto kniha, Learning And Reasoning In Hybrid Structured Spaces, navrhuje najnovší a všeobecný formalizmus nazývaný Weighted Model Integration (wmi), ktorý umožňuje pravdepodobnostné modelovanie a odvodzovanie v hybridných štruktúrovaných oblastiach. Algoritmy odvodzovania založené na wmi sa líšia od väčšiny alternatív v tom, že pravdepodobnosti sa počítajú vo vnútri štruktúrovanej podpory zahŕňajúcej logické aj algebraické vzťahy medzi premennými.

Výskum v tejto oblasti zostáva v počiatočnom štádiu, ale záujem o štúdium hybridných a symbolických pravdepodobnostných modelov a vývoj škálovateľných odvodzovacích postupov a efektívnych učiacich sa algoritmov rastie a kniha informuje o štúdiu škálovateľných techník zdôvodňovania a učenia v kontexte Wmi. Kniha ponúka pohľad na dôležitý smer výskumu a bude zaujímavá pre tých, ktorí sa chcú dozvedieť viac o umožnení škálovateľného pravdepodobnostného odvodzovania v aplikáciách umelej inteligencie.