Bewertung:

Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Causality, Correlation and Artificial Intelligence for Rational Decision Making
Die Kausalität ist seit langem Gegenstand von Studien. Oft wird Kausalität mit Korrelation verwechselt.
Die menschliche Intuition hat sich so entwickelt, dass sie gelernt hat, Kausalität durch Korrelation zu erkennen. In diesem Buch werden vier Hauptthemen behandelt, nämlich Kausalität, Korrelation, künstliche Intelligenz und Entscheidungsfindung. Eine Korrelationsmaschine wird definiert und mit Hilfe von mehrschichtigen Perzeptron-Netzwerken, Hauptkomponentenanalyse, Gaußschen Mischungsmodellen, genetischen Algorithmen, Erwartungsmaximierungstechniken, simuliertem Glühen und Partikelschwarmoptimierung aufgebaut.
Darüber hinaus wird eine kausale Maschine definiert und mit Hilfe von mehrschichtigen Perzeptronen, radialen Basisfunktionen, Bayesscher Statistik und Hybrid-Monte-Carlo-Methoden erstellt. Diese beiden Maschinen werden verwendet, um ein nichtlineares Granger-Kausalitätsmodell zu erstellen.
Darüber hinaus werden die Kausalmodelle von Neyman-Rubin, Pearl und Granger untersucht und vereinheitlicht. Die automatische Relevanzbestimmung wird ebenfalls angewandt, um den Rahmen der Granger-Kausalität auf den nichtlinearen Bereich auszuweiten. Das Konzept der rationalen Entscheidungsfindung wird untersucht, und die Theorie der flexibel begrenzten Rationalität wird verwendet, um die Theorie der begrenzten Rationalität im Rahmen des Prinzips der Unteilbarkeit der Rationalität zu erweitern.
Die Theorie der Marginalisierung von Irrationalität bei der Entscheidungsfindung wird ebenfalls eingeführt, um sich mit Satisficing unter irrationalen Bedingungen zu befassen. Die vorgeschlagenen Methoden werden in der biomedizinischen Technik, der Zustandsüberwachung und bei der Modellierung zwischenstaatlicher Konflikte angewandt.