Propositional, Probabilistic and Evidential Reasoning: Integrating Numerical and Symbolic Approaches

این کتاب به طور سیستماتیک طیف وسیعی از سیستم‌ها/تحقیقات را تا به امروز در اختیار خواننده قرار می‌دهد که به اهمیت ترکیب رویکردهای عددی و نمادین برای استدلال در شرایط عدم قطعیت در کاربردهای پیچیده می‌پردازد. تکنیک‌هایی را در مورد چگونگی گسترش منطق گزاره‌ای به منطق احتمالی پوشش می‌دهد و این منطق احتمالی مشتق‌شده را با مکانیسم‌های مرتبط نزدیک، یعنی نظریه شواهد، سیستم‌های حفظ حقیقت مبتنی بر فرض و مجموعه‌های ناهموار، از نظر بازنمایی و استدلال با دانش و شواهد مقایسه می‌کند.
مخاطب این کتاب عمدتاً محققان، پزشکان، دانشجویان و مدرسان در زمینه هوش مصنوعی، به ویژه در زمینه‌های استدلال تحت عدم قطعیت، منطق، بازنمایی دانش و استدلال، و استدلال غیر یکنواخت است.

The book systematically provides the reader with a broad range of systems/research work to date that address the importance of combining numerical and symbolic approaches to reasoning under uncertainty in complex applications. It covers techniques on how to extend propositional logic to a probabilistic one and compares such derived probabilistic logic with closely related mechanisms, namely evidence theory, assumption based truth maintenance systems and rough sets, in terms of representing and reasoning with knowledge and evidence.
The book is addressed primarily to researchers, practitioners, students and lecturers in the field of Artificial Intelligence, particularly in the areas of reasoning under uncertainty, logic, knowledge representation and reasoning, and non-monotonic reasoning.