大數(shù)據(jù)背景下不確定性人工智能中的知識表達知識獲取及推理

定　價：￥45.00

作　者：	趙建喆，譚振華
出版社：	東北大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥39.70)

ISBN：	9787551713054	出版時間：	2016-06-01	包裝：
開本：	16開	頁數(shù)：	146	字數(shù)：

內(nèi)容簡介

　　《大數(shù)據(jù)背景下不確定性人工智能中的知識表達、知識獲取及推理》闡述了貝葉斯網(wǎng)絡(luò)作為不確定性人工智能重要工具的依據(jù)，介紹其起源、發(fā)展，總結(jié)歸納貝葉斯網(wǎng)絡(luò)的理論研究框架，揭示貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習是從不同形態(tài)的知識源中挖掘問題域中表現(xiàn)為變量依賴關(guān)系的知識，進行知識表達來確定網(wǎng)絡(luò)結(jié)構(gòu)的過程。因此，貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習的過程是一個知識獲取的過程，其本質(zhì)是機器學習方法的研究。并且在貝葉斯網(wǎng)絡(luò)理論研究的基礎(chǔ)上，根據(jù)認知科學人工智能領(lǐng)域的新發(fā)展要求，介紹為貝葉斯網(wǎng)絡(luò)開辟新應(yīng)用方向的理論研究成果。其中包括為了解決傳統(tǒng)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習方法的問題，使計算機具有人的知識獲取能力，進而為機器學習方法開發(fā)的智能計算模型。介紹為滿足認知科學的人工智能領(lǐng)域的發(fā)展要求而進行的一系列貝葉斯網(wǎng)絡(luò)的知識表達、知識獲取及推理的新方法。

作者簡介

　　趙建喆，1982年7月出生，吉林白山人，現(xiàn)就職于東北大學軟件學院。2001-2008年于北京理工大學管理與經(jīng)濟學院取得信息管理與信息系統(tǒng)和管理科學與工程專業(yè)本科、碩士學位，2015年5月于東北大學工商管理學院獲得博士學位。2015年10月進入東軟集團股份有限公司博士后科研工作站，進一步從事學術(shù)科研工作。多年來，對管理科學與計算機科學交叉領(lǐng)域進行深入研究，將計算機學科人工智能領(lǐng)域的基本方法應(yīng)用于管理與經(jīng)濟學的相關(guān)領(lǐng)域，并取得一定成果。目前，主要從事大數(shù)據(jù)分析和處理的相關(guān)技術(shù)、云計算工程，人工智能方法等方面的研究工作，參與多個相關(guān)科研項目并在國內(nèi)外期刊發(fā)表學術(shù)論文十余篇。

圖書目錄

第1章緒論
1．1 研究背景
1．1．1 不確定性人工智能與貝葉斯網(wǎng)絡(luò)
1．1．2 貝葉斯網(wǎng)絡(luò)起源、發(fā)展與研究現(xiàn)狀
1．2 問題提出
1．2．1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習與知識獲取
1．2．2 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習方法的新要求
1．3 研究內(nèi)容與框架
1．4 本書的創(chuàng)新點
第2章相關(guān)問題研究現(xiàn)狀
2．1 貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習方法研究現(xiàn)狀
2．1．1 基于專家知識的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習方法
2．1．2 基于數(shù)據(jù)集的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習方法
2．2 認知科學領(lǐng)域相關(guān)研究現(xiàn)狀
2．2．1 認知與人工智能
2．2．2 認知與不確定性的表達、推理和決策
2．2．3 認知與機器學習
2．2．4 認知與知識獲取
2．3 本章小結(jié)
第3章理論基礎(chǔ)
3．1 貝葉斯網(wǎng)絡(luò)的理論基礎(chǔ)
3．1．1 貝葉斯網(wǎng)絡(luò)原理、定義和特性
3．1．2 貝葉斯網(wǎng)絡(luò)學習和推理
3．2 強相關(guān)邏輯的理論基礎(chǔ)
3．2．1 邏輯、推論與知識獲取
3．2．2 條件關(guān)系與CML、傳統(tǒng)相關(guān)邏輯
3．2．3 知識獲取中的相關(guān)推論與強相關(guān)邏輯
3．3 雙庫協(xié)同認知機制
3．3．1 雙庫協(xié)同機制的概念
3．3．2 雙庫協(xié)同認知機制理論框架
3．4 本章小結(jié)
第4章基于Mqars算法的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習方法
4．1 基于Mqars的方法的提出
4．1．1 問題描述
4．1．2 基于Mqars的方法的技術(shù)路線
4．2 基于Mqars的方法的理論框架
4．2．1 基于Mqars的方法的理論平臺
4．2．2 基于Mqars的方法的認知特性
4．3 先驗知識的提取約簡方法
4．3．1 先驗知識提取約簡方法的提出
4．3．2 基于RS的貝葉斯網(wǎng)絡(luò)節(jié)點約簡算法
4．3．3 基于KPCA的先驗知識提取算法
4．3．4 基于RS&KPCA的先驗知識提取約簡算法
4．4 基于粗糙集的多值屬性關(guān)聯(lián)規(guī)則挖掘算法（Mqars）
4．4．1 Mqars算法的提出
4．4．2 Mqars算法的描述
4．4．3 Mqars算法的實現(xiàn)
4．4．4 Mqars算法的實例
4．5 因果關(guān)聯(lián)規(guī)則的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)表示方法
4．6 本章小結(jié)
第5章基于強相關(guān)邏輯的貝葉斯網(wǎng)絡(luò)及其結(jié)構(gòu)學習方法
5．1 問題描述
5．1．1 概率邏輯模型
5．1．2 SRL-BNs的提出
5．2 SRL-BNs的概述與特點
5．2．1 SRL-BNs的知識演化
5．2．2 SRL-BNs的特點
5．3 SRL-BNs的組件和語義
5．3．1 SRL-BNs的組件
5．3．2 SRL-BNs宣言式的語義
5．4 基于SRL-BNs的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學習方法
5．4．1 基于SRL-BNs的方法的提出
5．4．2 基于SRL-BNs的方法的認知特性
5．4．3 基于SRL-BNs的方法的流程和算法描述
5．5 一個SRL-BNs的實例研究
5．6 本章小結(jié)
第6章基于Mqars的方法在財務(wù)預警問題研究中的應(yīng)用
6．1 問題提出
6．1．1 研究背景
6．1．2 財務(wù)危機界定與財務(wù)預警模型研究綜述
6．1．3 貝葉斯網(wǎng)絡(luò)方法的提出
6．2 研究設(shè)計
6．2．1 樣本的界定與選取
6．2．2 財務(wù)指標的確定
6．3 構(gòu)建基于貝葉斯網(wǎng)絡(luò)的財務(wù)預警模型
6．3．1 基于RS的財務(wù)指標的約簡
6．3．2 財務(wù)預警模型的網(wǎng)絡(luò)結(jié)構(gòu)學習
6．3．3 財務(wù)預警模型節(jié)點參數(shù)確定
6．4 模型應(yīng)用及實證研究結(jié)論
6．4．1 財務(wù)預警系統(tǒng)的應(yīng)用
6．4．2 實證研究結(jié)論
6．5 本章小結(jié)
第7章基于SRL-BNs的方法在產(chǎn)業(yè)集群衰退預測中的應(yīng)用
7．1 研究背景與研究現(xiàn)狀
7．2 研究設(shè)計
7．2．1 研究樣本的選取
7．2．2 研究樣本的界定
7．3 產(chǎn)業(yè)集群衰退知識庫構(gòu)建
7．3．1 邏輯斯蒂方程與需求增長率
7．3．2 資源需求量與企業(yè)成本
7．3．3 集群規(guī)模與吸引力
7．3．4 經(jīng)濟周期與市場需求量
7．3．5 路徑依賴與技術(shù)創(chuàng)新力
7．3．6 路徑依賴與戰(zhàn)略選擇
7．3．7 知識溢出效應(yīng)
7．4 構(gòu)建基于SRL-BNs的產(chǎn)業(yè)集群衰退模型
7．4．1 基于SRL的簡單條件句和謂詞提取
7．4．2 創(chuàng)建定性貝葉斯子句
7．4．3 創(chuàng)建過程貝葉斯子句
7．4．4 確定定量貝葉斯子句
7．5 預測結(jié)果分析及結(jié)論
7．6 本章小結(jié)
第8章結(jié)論與展望
8．1 本書的主要結(jié)論
8．2 未來工作的展望
參考文獻
附錄