論文の概要: Discrete Math with Programming: A Principled Approach
- arxiv url: http://arxiv.org/abs/2011.14059v1
- Date: Sat, 28 Nov 2020 03:41:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-22 18:31:39.211201
- Title: Discrete Math with Programming: A Principled Approach
- Title(参考訳): プログラミングによる離散数学:原則的アプローチ
- Authors: Yanhong A. Liu and Matthew Castelllana
- Abstract要約: 離散数学はプログラミングでよりよく教えられると長年主張されてきた。
本稿では、離散数学のすべての中心的な概念をサポートするアプローチを紹介する。
数学や論理文は高いレベルで正確に表現され、コンピュータ上で実行される。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Discrete mathematics is the foundation of computer science. It focuses on
concepts and reasoning methods that are studied using math notations. It has
long been argued that discrete math is better taught with programming, which
takes concepts and computing methods and turns them into executable programs.
What has been lacking is a principled approach that supports all central
concepts of discrete math -- especially predicate logic -- and that directly
and precisely connects math notations with executable programs. This paper
introduces such an approach. It is based on the use of a powerful language that
extends the Python programming language with proper logic quantification ("for
all" and "exists some"), as well as declarative set comprehension (also known
as set builder) and aggregation (e.g., sum and product). Math and logical
statements can be expressed precisely at a high level and be executed directly
on a computer, encouraging declarative programming together with algorithmic
programming. We describe the approach, detailed examples, experience in using
it, and the lessons learned.
- Abstract(参考訳): 離散数学はコンピュータ科学の基礎である。
数学の表記法を用いて研究される概念と推論方法に焦点を当てる。
離散数学は、概念と計算方法を取り込んで実行可能プログラムに変換するプログラミングにより、より良く教えられると長い間主張されてきた。
これまでに欠けているのは、離散数学(特に述語論理)のすべての中心的な概念をサポートし、数学表記を実行可能プログラムと直接的かつ正確に結び付ける原則的なアプローチである。
本稿ではそのようなアプローチを紹介する。
これは、pythonプログラミング言語を適切な論理量化("for all"と"exists some")で拡張する強力な言語の使用と、宣言的な集合の理解(set builderとしても知られる)と集約(例えば和と積)に基づいている。
数学と論理ステートメントは、高いレベルで正確に表現され、コンピュータ上で直接実行されることができ、アルゴリズムプログラミングとともに宣言型プログラミングを奨励する。
アプローチ、詳細な例、使用経験、学んだ教訓について説明する。
関連論文リスト
- Machine learning and information theory concepts towards an AI
Mathematician [77.63761356203105]
人工知能の現在の最先端技術は、特に言語習得の点で印象的だが、数学的推論の点ではあまり重要ではない。
このエッセイは、現在のディープラーニングが主にシステム1の能力で成功するという考えに基づいている。
興味深い数学的ステートメントを構成するものについて質問するために、情報理論的な姿勢を取る。
論文 参考訳(メタデータ) (2024-03-07T15:12:06Z) - MathScale: Scaling Instruction Tuning for Mathematical Reasoning [70.89605383298331]
大規模言語モデル(LLM)は問題解決において顕著な能力を示した。
しかし、数学的な問題を解く能力は依然として不十分である。
高品質な数学的推論データを作成するためのシンプルでスケーラブルな方法であるMathScaleを提案する。
論文 参考訳(メタデータ) (2024-03-05T11:42:59Z) - ConceptMath: A Bilingual Concept-wise Benchmark for Measuring
Mathematical Reasoning of Large Language Models [67.32868432113587]
本稿では,Large Language Models (LLMs) の概念的数学的推論を評価するための詳細なベンチマークであるConceptMathを紹介する。
一般的な数学的推論を平均精度で評価する従来のベンチマークとは異なり、ConceptMathは数学の問題を数学的概念の階層の下に体系的に整理する。
論文 参考訳(メタデータ) (2024-02-22T16:06:49Z) - Symbolic Equation Solving via Reinforcement Learning [11.059341532498635]
機械学習の手法は、様々な社会的、経済的、科学的文脈で徐々に採用されている。
本稿では,線形方程式を記号形式で解くというパラダイム的な例に焦点をあてる。
本稿では,ニューラルネットワークを用いた強化学習を用いて,基本変換規則とステップバイステップの解を求めるプロセスの自動化を実証する。
論文 参考訳(メタデータ) (2024-01-24T13:42:24Z) - Natural Language Embedded Programs for Hybrid Language Symbolic
Reasoning [86.92053166457116]
本研究では,数学・記号的推論,自然言語理解,後続の課題に対処するための統合フレームワークとして,自然言語組み込みプログラム(NLEP)を提案する。
我々のアプローチは,構造化知識の自然言語表現を含むデータ構造上の関数を定義する完全なPythonプログラムを生成するよう,言語モデルに促す。
Pythonインタープリタが生成されたコードを実行し、出力をプリントする。
論文 参考訳(メタデータ) (2023-09-19T17:54:21Z) - A Survey of Deep Learning for Mathematical Reasoning [71.88150173381153]
我々は過去10年間の数学的推論とディープラーニングの交差点における重要なタスク、データセット、方法についてレビューする。
大規模ニューラルネットワークモデルの最近の進歩は、新しいベンチマークと、数学的推論にディープラーニングを使用する機会を開放している。
論文 参考訳(メタデータ) (2022-12-20T18:46:16Z) - Peano: Learning Formal Mathematical Reasoning [35.086032962873226]
一般的な数学的推論は計算不可能であるが、人間は新しい問題を常に解決している。
両パズルの中心は、数学の基礎となる手続き的抽象の構造であると仮定する。
カーン・アカデミー・プラットフォーム上の始点代数の5つの部分に関するケーススタディにおいて、このアイデアを探求する。
論文 参考訳(メタデータ) (2022-11-29T01:42:26Z) - JiuZhang: A Chinese Pre-trained Language Model for Mathematical Problem
Understanding [74.12405417718054]
本稿では,中国初の数学的事前学習言語モデル(PLM)を提示することにより,機械の数学的知性向上を目指す。
他の標準のNLPタスクとは異なり、数学的テキストは問題文に数学的用語、記号、公式を含むため理解が難しい。
基礎課程と上級課程の両方からなる数学PLMの学習を改善するための新しいカリキュラム事前学習手法を設計する。
論文 参考訳(メタデータ) (2022-06-13T17:03:52Z) - Weighted Programming [0.0]
数学モデルを特定するためのプログラミングパラダイムである重み付けプログラミングについて研究する。
パラダイムとしての重み付きプログラミングは、確率分布を超えた数学的モデルを特定するのに利用できると論じる。
論文 参考訳(メタデータ) (2022-02-15T17:06:43Z) - Deep Distilling: automated code generation using explainable deep
learning [0.0]
説明可能な深層学習を用いてデータからパターンを学習する機械学習手法である深層蒸留を導入する。
深層蒸留では, 分布外分布を一般化した簡潔なコードを生成する。
我々のアプローチは、非支援のマシンインテリジェンスが汎用的で直感的なルールを構築することを実証している。
論文 参考訳(メタデータ) (2021-11-16T07:45:41Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。