Bücher von Gabriel Fiol Roig

Machine learning is one of the major challenges of Artificial Intelligence. Inductive reasoning on the basis of classified examples is at the origin of many data mining methods, so fashionable today in the area of massive data processing. The function of such methods is to intensively describe a collection of concepts, initially expressed in extensional form by means of a set of classified examples. Most methods have as their starting point a fixed collection of examples, which is considered sufficiently meaningful. However, in the vast majority of relatively complex problems, it will not always be possible to have such an initial collection. Moreover, many examples may still be undiscovered and some of them are incompletely specified. This book proposes a solution for such situations, based on an autonomous learning model guided by an incremental induction-deductive reasoning process and by the experiences of the model itself and the user, with no limits on the number of examples to be explored.

L'apprentissage automatique est l'un des grands défis de l'intelligence artificielle. Le raisonnement inductif à partir d'exemples classés est à la base de nombreuses méthodes d'exploration de données, qui sont aujourd'hui très à la mode dans le domaine du traitement des données de masse. La fonction de ces méthodes est de décrire de manière intensive une collection de concepts, initialement exprimés sous une forme extensionnelle au moyen d'un ensemble d'exemples classés. La plupart des méthodes ont pour point de départ une collection fixe d'exemples, considérée comme suffisamment significative. Toutefois, pour la grande majorité des problèmes relativement complexes, cette collection initiale n'est pas toujours disponible. En outre, il se peut que de nombreux exemples n'aient pas encore été découverts et que certains d'entre eux soient incomplètement spécifiés. Ce livre propose une solution pour de telles situations, basée sur un modèle d'apprentissage autonome guidé par un processus incrémental d'induction et de raisonnement déductif et par les expériences du modèle lui-même et de l'utilisateur, sans limites sur le nombre d'exemples à explorer.

A aprendizagem de máquinas é um dos grandes desafios da Inteligência Artificial. O raciocínio indutivo de exemplos classificados está na raiz de muitos métodos de mineração de dados, que estão tão na moda hoje em dia na área do processamento de dados em massa. A função de tais métodos é descrever intensivamente uma colecção de conceitos, inicialmente expressos de forma extensiva por meio de um conjunto de exemplos classificados. A maioria dos métodos tem como ponto de partida uma colecção fixa de exemplos, que é considerada suficientemente significativa. No entanto, para a grande maioria dos problemas relativamente complexos, uma tal colecção inicial pode nem sempre estar disponível. Além disso, muitos exemplos podem ainda estar por descobrir e alguns deles estão incompletamente especificados. Este livro propõe uma solução para tais situações, baseada num modelo de aprendizagem autónomo guiado por um processo de indução-raciocínio educativo incremental e pelas experiências do próprio modelo e do utilizador, sem limite para o número de exemplos a explorar.

L'apprendimento automatico è una delle grandi sfide dell'intelligenza artificiale. Il ragionamento induttivo a partire da esempi classificati è alla base di molti metodi di data mining, oggi molto in voga nel settore dell'elaborazione dei dati di massa. La funzione di tali metodi è quella di descrivere in modo intensivo un insieme di concetti, inizialmente espressi in forma estensionale per mezzo di un insieme di esempi classificati. La maggior parte dei metodi ha come punto di partenza un insieme fisso di esempi, considerato sufficientemente significativo. Tuttavia, per la stragrande maggioranza dei problemi relativamente complessi, tale insieme iniziale non è sempre disponibile. Inoltre, molti esempi potrebbero non essere ancora stati scoperti e alcuni di essi sono specificati in modo incompleto. Questo libro propone una soluzione per queste situazioni, basata su un modello di apprendimento autonomo guidato da un processo di ragionamento induttivo-deduttivo incrementale e dalle esperienze del modello stesso e dell'utente, senza limiti al numero di esempi da esplorare.

Maschinelles Lernen ist eine der großen Herausforderungen der künstlichen Intelligenz. Induktives Schlussfolgern aus klassifizierten Beispielen ist die Grundlage vieler Data-Mining-Methoden, die heutzutage im Bereich der Massendatenverarbeitung so in Mode sind. Die Aufgabe solcher Methoden besteht darin, eine Sammlung von Konzepten, die zunächst in extensionaler Form ausgedrückt werden, anhand einer Reihe von klassifizierten Beispielen intensiv zu beschreiben. Die meisten Methoden gehen von einer festen Sammlung von Beispielen aus, die als ausreichend aussagekräftig angesehen wird. Für die überwiegende Mehrheit der relativ komplexen Probleme ist eine solche Ausgangssammlung jedoch nicht immer verfügbar. Darüber hinaus können viele Beispiele noch unentdeckt sein und einige von ihnen sind unvollständig spezifiziert. In diesem Buch wird eine Lösung für solche Situationen vorgeschlagen, die auf einem autonomen Lernmodell basiert, das durch einen Prozess der inkrementellen induktiv-deduktiven Argumentation und durch die Erfahrungen des Modells selbst und des Benutzers geleitet wird, wobei die Anzahl der zu untersuchenden Beispiele nicht begrenzt ist.

El aprendizaje de las máquinas constituye uno de los grandes desafíos de la Inteligencia Artificial. El razonamiento inductivo a partir de ejemplos clasificados constituye el germen de numerosos métodos de minería de datos, tan de moda hoy en día en el área del tratamiento masivo de datos. La función de tales métodos consiste en describir intensionalmente una colección de conceptos, expresados inicialmente de forma extensional mediante un conjunto de ejemplos clasificados. La mayoría de métodos tienen como punto de partida una colección fija de ejemplos, la cual se considera lo suficientemente significativa. No obstante, en la gran mayoría de problemas relativamente complejos, no siempre será posible disponer de una tal colección inicial. Además, posiblemente muchos ejemplos están todavía por descubrir y algunos de ellos vienen incompletamente especificados. En este libro se propone una solución para tales situaciones, basada en un modelo autónomo de aprendizaje guiado por un proceso de razonamiento inducto-deductivo incremental y por las experiencias del propio modelo y del usuario, sin límites en cuanto al número de ejemplos a explorar.

La Programació Orientada a Objectes -POO en endevant- és actualment el paradigma amb més transcendència en el camp de la programació dels ordinadors. L'adquisició de bones habilitats en el disseny de programes va més enllà de les competències adquirides en l'ús dels diferents llenguatges de programació dissenyats sobre aquest tema. L'abstracció de dades, mimetitzada sota el nom de classe, constitueix el nucli central de la POO. Una condició prèvia imprescindible per procedir al desenvolupament d'un programa és el disseny de l'organització de les dades del mateix. Així, la POO es considera un model més dins de l'univers del que es coneix com a programació dirigida per dades. Els tipus abstractes de dades constitueixen l'element subjacent de la programació dirigida per dades. Per aquest motiu les bones pràctiques de disseny d'una organització de dades en POO exigeixen la corresponent habilitat en l'ús d'aquests. Aquest llibre pretén introduir al lector en les bones pràctiques de programació en POO a través del desenvolupament d'habilitats basades, d'una banda, en l'ús dels tipus abstractes de dades en el marc de la POO i per una altra en la gestió dinàmica de memòria.