دانلود کتاب Probabilistic expert systems

ترجمه فارسی توضیحات (ترجمه ماشینی)

سیستم های خبره احتمالی

سیستم های خبره احتمالی بر اصول محاسباتی اساسی تأکید می کند که استدلال احتمالی را در سیستم های خبره امکان پذیر می کند. کلید محاسبات در این سیستم ها مدولار بودن مدل احتمالی است. Shafer معماری های اصلی را برای بهره برداری از این مدولاریت در محاسبه احتمالات قبلی و پسین توصیف و مقایسه می کند. او همچنین نشان می‌دهد که چگونه این معماری‌های مشابه و در عین حال متفاوت برای طیف گسترده‌ای از مسائل دیگر محاسبات بازگشتی در ریاضیات کاربردی و تحقیقات عملیاتی اعمال می‌شوند.

زمینه سیستم‌های خبره احتمالی از زمان ارائه سخنرانی‌های نویسنده درباره این موضوع در ژوئن 1992 به شکوفایی خود ادامه داده است، اما درک معماری‌های درختی به هم پیوسته در ادبیات وجود ندارد. این تک نگاری این خلاء را با ارائه تحلیلی از روش های درخت پیوسته برای محاسبه احتمالات قبلی و پسین در شبکه های اعتقادی پر می کند. این روش ها که در اواسط تا اواخر دهه 1980 پیشگام شدند، همچنان در تئوری و عمل سیستم های خبره احتمالی محور هستند. علاوه بر سیستم‌های خبره احتمالی محض، روش‌های درخت پیوستن نیز در سیستم‌های خبره بر اساس توابع باور دمپستر-شفر یا بر اساس معیارهای احتمالی استفاده می‌شوند. تغییرات همچنین برای محاسبات در پایگاه های داده رابطه ای، در بهینه سازی خطی و در ارضای محدودیت ها استفاده می شود.

این کتاب سیستم‌های خبره احتمالی را به شیوه‌ای دقیق‌تر و متمرکزتر از ادبیات موجود توصیف می‌کند و یک کتاب‌شناسی مشروح ارائه می‌کند که شامل اشاره‌هایی به کنفرانس‌ها و نرم‌افزار است. همچنین شامل تمرین هایی است که به خواننده کمک می کند تا مشکل تعمیم از احتمال به حوزه های وسیع تر محاسبات بازگشتی را شروع کند.

Probabilistic expert systems

Probabilistic Expert Systems emphasizes the basic computational principles that make probabilistic reasoning feasible in expert systems. The key to computation in these systems is the modularity of the probabilistic model. Shafer describes and compares the principal architectures for exploiting this modularity in the computation of prior and posterior probabilities. He also indicates how these similar yet different architectures apply to a wide variety of other problems of recursive computation in applied mathematics and operations research.

The field of probabilistic expert systems has continued to flourish since the author delivered his lectures on the topic in June 1992, but the understanding of join-tree architectures has remained missing from the literature. This monograph fills this void by providing an analysis of join-tree methods for the computation of prior and posterior probabilities in belief nets. These methods, pioneered in the mid to late 1980s, continue to be central to the theory and practice of probabilistic expert systems. In addition to purely probabilistic expert systems, join-tree methods are also used in expert systems based on Dempster–Shafer belief functions or on possibility measures. Variations are also used for computation in relational databases, in linear optimization, and in constraint satisfaction.

This book describes probabilistic expert systems in a more rigorous and focused way than existing literature, and provides an annotated bibliography that includes pointers to conferences and software. Also included are exercises that will help the reader begin to explore the problem of generalizing from probability to broader domains of recursive computation.