возможно, интересная книжица...

http://www.dbebooks.biz/ebooks/computer … rning.html

примерный перевод аннотации (автоматический, не мой):
Обработка неопределенности и использование композиционной структуры имеют фундаментальное значение для понимания и разработки крупномасштабных систем. Статистические реляционные обучения опирается на идеи теории вероятностей и статистика для решения неопределенности при включении средств из логики, базы данных, языки программирования и представлять структуру. В введении к статистическим Реляционная обучения, ведущие исследователи в этой новой области машинного обучения описывать текущие формализмы, моделей и алгоритмов, позволяющих эффективный и надежный рассуждения о богато структурированных систем и данных.
В начале главы предоставить учебники для материалов, используемых в последующих главах, предлагая интродукций представительства, вывода и обучения в графической модели, и логике. В книге описывается то объектно-ориентированный подход, в том числе вероятностный реляционной модели, реляционной марковской сети, организация и вероятностные модели взаимосвязей, а также на основе логики формализмы включая Байесу логику программы, Марков логика, логика и стохастические программ. Позже главы обсудить такие темы, как вероятностная модель с неизвестными объектами, реляционной зависимости сетей, обучение с подкреплением в реляционных доменов, а также извлечение информации.
Представляя различные подходы, в книге освещаются общие и уточняются важные различия между предлагаемыми подходами и, на этом пути, определяются важные представительские и алгоритмические вопросы.

(оригинальный вариант:)
Handling inherent uncertainty and exploiting compositional structure are fundamental to understanding and designing large-scale systems. Statistical relational learning builds on ideas from probability theory and statistics to address uncertainty while incorporating tools from logic, databases, and programming languages to represent structure. In Introduction to Statistical Relational Learning, leading researchers in this emerging area of machine learning describe current formalisms, models, and algorithms that enable effective and robust reasoning about richly structured systems and data.

The early chapters provide tutorials for material used in later chapters, offering introductions to representation, inference and learning in graphical models, and logic. The book then describes object-oriented approaches, including probabilistic relational models, relational Markov networks, and probabilistic entity-relationship models as well as logic-based formalisms including Bayesian logic programs, Markov logic, and stochastic logic programs. Later chapters discuss such topics as probabilistic models with unknown objects, relational dependency networks, reinforcement learning in relational domains, and information extraction.

By presenting a variety of approaches, the book highlights commonalities and clarifies important differences among proposed approaches and, along the way, identifies important representational and algorithmic issues. Numerous applications are provided throughout.

Отредактировано Egg (2009-08-03 19:37:01)