Maschinelles Lernen mit dem Quasi-Algorithmus

Der Quasi-Algorithmus (AQ) ist eine leistungsstarke Methode des maschinellen Lernens, die darauf abzielt, symbolische Entscheidungsregeln aus einer Menge von Beispielen und Gegenbeispielen zu lernen. Er wurde erstmals in den späten 1960er Jahren vorgeschlagen, um das Problem der Erfüllbarkeit boolescher Funktionen zu lösen, und in den folgenden zehn Jahren weiter verfeinert, um das allgemeine Abdeckungsproblem zu lösen. In ihren neuesten Implementierungen ist sie eine leistungsstarke, aber noch wenig erforschte Methode für die Klassifizierung durch symbolisches maschinelles Lernen. Das Buch stellt die wichtigsten Konzepte der AQ-Methode vor und beschreibt AQ für die Diagnose zoonotischer Krankheiten, eine maßgeschneiderte Implementierung der AQ-Methode zur Lösung des Problems der Erkennung zoonotischer Krankheiten anhand einer Reihe von Parametern und Symptomen.