概率邏輯程序設計：語言、語義、學習與推理

定　價：￥99.00

作　者：	（意）法布里齊奧·里古齊
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111656692	出版時間：	2020-07-01	包裝：
開本：		頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　概率邏輯程序是在邏輯程序的基礎上增加對不確定性信息的表示。概率邏輯程序是以下兩個用途廣泛的領域交叉形成的：邏輯和概率的統(tǒng)一、概率程序。邏輯用于表示實體之間的復雜關系，而概率論對構(gòu)建屬性和關系的不確定性模型有幫助。統(tǒng)一兩個理論是一個非?；钴S的研究領域。概率邏輯程序與帶知識表示能力的邏輯語言和帶計算能力的圖靈復雜語言類似，因此，它是兩種語言的*佳組合。由于概率邏輯程序的出現(xiàn)，越來越多的研究著開始關注它，并已產(chǎn)生了許多語言、推理和學習算法。本書主要對該領域提供一個概要，同時介紹分布語義下的具體語言。本書主要介紹語義、推理、學習和他們之間的關系。本書的許多例子和代碼見網(wǎng)站http：//cplint.eu。

作者簡介

　　法布里奇奧·里古齊（Fabrizio Riguzzi）是費拉拉大學數(shù)學與計算機科學系計算機科學專業(yè)副教授，在此之前，他是該大學的助理教授。他在博洛尼亞大學獲得碩士和博士學位，是意大利人工智能協(xié)會副主席，還是官方雜志Intelligenza Artificiale的主編。他在機器學習、歸納邏輯程序設計和統(tǒng)計關系學習等領域發(fā)表了150多篇論文。他的目標是開發(fā)一個能將人工智能、邏輯和統(tǒng)計進行融合的智能系統(tǒng)。

圖書目錄

出版者的話
譯者序
序言
前言
關于作譯者
第1章　預備知識1
　1.1　序、格和序數(shù)1
　1.2　映射和不動點2
　1.3　邏輯程序3
　1.4　正規(guī)邏輯程序的語義8
　　1.4.1　程序完備化8
　　1.4.2　良基語義10
　　1.4.3　穩(wěn)定模型語義13
　1.5　概率論14
　1.6　概率圖模型21
第2章　概率邏輯程序語言27
　2.1　基于分布語義的語言27
　　2.1.1　帶標注析取的邏輯程序27
　　2.1.2　ProbLog28
　　2.1.3　概率Horn溯因28
　　2.1.4　PRISM29
　2.2　不帶函數(shù)符號的程序的分布語義30
　2.3　示例程序33
　2.4　表達能力的等價性36
　2.5　將LPAD轉(zhuǎn)換成貝葉斯網(wǎng)絡38
　2.6　分布語義的通用性41
　2.7　分布語義的擴展42
　2.8　CP-Logic43
　2.9　不可靠程序的語義47
　2.10　KBMC概率邏輯程序設計語言49
　　2.10.1　貝葉斯邏輯程序50
　　2.10.2　CLP(BN)50
　　2.10.3　Prolog因子語言51
　2.11　概率邏輯程序的其他語義52
　　2.11.1　隨機邏輯程序53
　　2.11.2　ProPPR54
　2.12　其他概率邏輯語義54
　　2.12.1　Nilsson概率邏輯55
　　2.12.2　馬爾可夫邏輯網(wǎng)絡55
　　2.12.3　帶標注的概率邏輯程序58
第3章　帶函數(shù)符號的語義59
　3.1　帶函數(shù)符號程序的分布語義60
　3.2　解釋的無窮覆蓋集63
　3.3　與Sato和Kameya的定義的比較71
第4章　混合程序的語義74
　4.1　混合ProbLog74
　4.2　分布子句76
　4.3　擴展的PRISM79
　4.4　Cplint混合程序80
　4.5　概率約束邏輯程序83
第5章　精確推理92
　5.1　PRISM93
　5.2　知識編譯95
　5.3　ProbLog196
　5.4　cplint98
　5.5　SLGAD99
　5.6　PITA100
　5.7　ProbLog2103
　5.8　TP編譯111
　5.9　PITA中的建模假設113
　　5.9.1　PITA(OPT)115
　　5.9.2　用PITA實現(xiàn)的MPE117
　5.10　有無限個解釋的查詢的推理118
　5.11　混合程序的推理118
第6章　提升推理123
　6.1　提升推理預備知識123
　　6.1.1　變量消除124
　　6.1.2　GC-FOVE126
　6.2　LP2127
　6.3　使用聚合parfactor的提升推理129
　6.4　加權(quán)一階模型計數(shù)130
　6.5　帶環(huán)邏輯程序132
　6.6　各種方法的比較132
第7章　近似推理133
　7.1　ProbLog1133
　　7.1.1　迭代深化133
　　7.1.2　k-best134
　　7.1.3　蒙特卡羅方法134
　7.2　MCINTYRE136
　7.3　帶無窮多個解釋的查詢的近似推理138
　7.4　條件近似推理138
　7.5　通過采樣對混合程序進行近似推理140
　7.6　混合程序的帶有界誤差的近似推理141
　7.7　k-優(yōu)化142
　7.8　基于解釋的近似加權(quán)模型計數(shù)144
　7.9　帶TP編譯的近似推理146
　7.10　DISTR和EXP任務146
第8章　非標準推理149
　8.1　可能性邏輯程序設計149
　8.2　決策-理論ProbLog150
　8.3　代數(shù)ProbLog155
第9章　參數(shù)學習161
　9.1　PRISM參數(shù)學習161
　9.2　LLPAD和ALLPAD參數(shù)學習166
　9.3　LeProbLog166
　9.4　EMBLEM169
　9.5　ProbLog2參數(shù)學習176
　9.6　混合程序的參數(shù)學習177
第10章　結(jié)構(gòu)學習178
　10.1　歸納邏輯程序178
　10.2　LLPAD和ALLPAD結(jié)構(gòu)學習181
　10.3　ProbLog理論壓縮182
　10.4　ProbFOIL和ProbFOIL 182
　10.5　SLIPCOVER186
　　10.5.1　語言偏好186
　　10.5.2　算法描述187
　　10.5.3　運行實例191
　10.6　數(shù)據(jù)集實例192
第11章　cplint實例194
　11.1　cplint命令194
　11.2　自然語言處理197
　　11.2.1　概率上下文無關文法197
　　11.2.2　概率左角文法197
　　11.2.3　隱馬爾可夫模型198
　11.3　繪制二元決策圖199
　11.4　高斯過程200
　11.5　Dirichlet過程203
　　11.5.1　Stick-Breaking過程203
　　11.5.2　中餐館過程206
　　11.5.3　混合模型207
　11.6　貝葉斯估計208
　11.7　Kalman濾波器209
　11.8　隨機邏輯程序211
　11.9　方塊地圖生成213
　11.10　馬爾可夫邏輯網(wǎng)絡214
　11.11　Truel215
　11.12　優(yōu)惠券收集者問題217
　11.13　一維隨機游走220
　11.14　隱含Dirichlet分配220
　11.15　印度人GPA問題223
　11.16　Bongard問題224
第12章　總結(jié)227
附錄　縮略語及符號對照表228
參考文獻231