دانلود کتاب Case-Based Approximate Reasoning

ترجمه فارسی توضیحات (ترجمه ماشینی)

استدلال تقریبی مبتنی بر مورد

استدلال مبتنی بر مورد (CBR) در سال های اخیر توجه زیادی را به خود جلب کرده است و خود را به عنوان یک روش اصلی در زمینه هوش مصنوعی تثبیت کرده است. ایده کلیدی CBR مقابله با مشکلات جدید با مراجعه به مشکلات مشابهی است که قبلاً در گذشته حل شده اند. به طور دقیق تر، CBR از تجربیات فردی در قالب موارد حاصل می شود. تعمیم فراتر از این تجربیات معمولاً متکی بر نوعی فرض نظم است که مستلزم این است که “مسائل مشابه راه حل های مشابهی دارند”. این کتاب با استفاده از چارچوب های مختلف استدلال تقریبی و استدلال تحت عدم قطعیت، به ویژه تکنیک های احتمالی و فازی مبتنی بر مجموعه، مدل های رسمی را توسعه می دهد. از اصل استنتاج فوق، که برای CBR اساسی است. روش‌های استدلال تقریبی مبتنی بر مورد که بدین ترتیب به دست آمده‌اند، به‌ویژه بر ماهیت اکتشافی استنتاج مبتنی بر مورد و جنبه‌های عدم قطعیت در CBR تأکید می‌کنند. به این ترتیب، کتاب به یک پایه محکم از CBR کمک می کند که مبتنی بر مفاهیم و تکنیک های رسمی از زمینه های فوق الذکر است. علاوه بر این، روابط جالبی بین CBR و استدلال تقریبی ایجاد می کند که نه تنها نور جدیدی را بر روش های موجود می افکند، بلکه توسعه رویکردهای جدید و سیستم های ترکیبی را نیز افزایش می دهد. این کتاب برای محققان و متخصصان در زمینه های هوش مصنوعی، مهندسی دانش مناسب است. و سیستم های دانش محور

Case-Based Approximate Reasoning

Case-based reasoning (CBR) has received a great deal of attention in recent years and has established itself as a core methodology in the field of artificial intelligence. The key idea of CBR is to tackle new problems by referring to similar problems that have already been solved in the past. More precisely, CBR proceeds from individual experiences in the form of cases. The generalization beyond these experiences typically relies on a kind of regularity assumption demanding that ‘similar problems have similar solutions’.Making use of different frameworks of approximate reasoning and reasoning under uncertainty, notably probabilistic and fuzzy set-based techniques, this book develops formal models of the above inference principle, which is fundamental to CBR. The case-based approximate reasoning methods thus obtained especially emphasize the heuristic nature of case-based inference and aspects of uncertainty in CBR. This way, the book contributes to a solid foundation of CBR which is grounded on formal concepts and techniques from the aforementioned fields. Besides, it establishes interesting relationships between CBR and approximate reasoning, which not only cast new light on existing methods but also enhance the development of novel approaches and hybrid systems.This books is suitable for researchers and practioners in the fields of artifical intelligence, knowledge engineering and knowledge-based systems.