هوش مصنوعی و استنتاج علی

هوش مصنوعی و استنتاج علّی به توسعه اخیر روابط بین هوش مصنوعی (AI) و استنتاج علّی می‌پردازد. با وجود پیشرفت‌های قابل توجه در هوش مصنوعی، چالش بزرگی که هنوز در توسعه هوش مصنوعی با آن مواجه هستیم، درک مکانیسم زیربنایی هوش، از جمله استدلال، برنامه‌ریزی و تخیل است. درک، انتقال و تعمیم اصول اصلی هستند که باعث ایجاد هوش می‌شوند. یکی از مؤلفه‌های کلیدی برای درک، استنتاج علّی است. استنتاج علّی شامل مداخله، یادگیری تغییر دامنه، ساختار زمانی و تفکر خلاف واقع به عنوان مفاهیم اصلی برای درک علیت و استدلال است. متأسفانه، این مؤلفه‌های اساسی علیت اغلب توسط یادگیری ماشین نادیده گرفته می‌شوند که منجر به برخی از شکست‌های یادگیری عمیق می‌شود. هوش مصنوعی و استنتاج علّی شامل (1) استفاده از تکنیک‌های هوش مصنوعی به عنوان ابزارهای اصلی برای تحلیل علّی و (2) به کارگیری مفاهیم علّی و روش‌های تحلیل علّی برای حل مسائل هوش مصنوعی است. هدف این کتاب پر کردن شکاف بین هوش مصنوعی و تحلیل علّی مدرن برای تسهیل بیشتر انقلاب هوش مصنوعی است. این کتاب برای دانشجویان تحصیلات تکمیلی و محققان در هوش مصنوعی، علوم داده، استنتاج علّی، آمار، ژنومیک، بیوانفورماتیک و پزشکی دقیق ایده‌آل است.
…
ویژگی‌های کلیدی:

سه نوع شبکه عصبی را پوشش می‌دهد، یادگیری عمیق را به عنوان یک مسئله کنترل بهینه فرموله می‌کند و از اصل حداکثر پونتریاگین برای آموزش شبکه استفاده می‌کند.

یادگیری عمیق برای میانجیگری غیرخطی و تحلیل علی متغیر ابزاری.

ساخت شبکه‌های علی به عنوان یک مسئله بهینه‌سازی پیوسته فرموله می‌شود.

از ترانسفورماتور و توجه برای رمزگذاری-رمزگشایی گرافیک استفاده می‌شود. از یادگیری تقویتی (RL) برای استنتاج شبکه‌های علی بزرگ استفاده می‌شود.

از VAE، GAN، معادلات دیفرانسیل عصبی، شبکه عصبی بازگشتی (RNN) و یادگیری تقویتی برای تخمین نتایج خلاف واقع استفاده می‌شود.

روش‌های مبتنی بر هوش مصنوعی برای تخمین اثر درمان فردی در حضور تداخل شبکه.