классический ИИ, онтология, машинное обучение, байесовский

Question

Я начинаю изучать машинное обучение и байесовский вывод, применяемый к компьютерному зрению и аффективным вычислениям.

Если я понимаю правильно, есть большая дискуссия между

• классических IA, онтология, семантическими веб-исследователей
• и машинным обучением и байесовскими ребятами

Я думаю, что обычно называют так как сильный ИИ против слабого ИИ связан также с такими философскими вопросами, как функциональная психология (мозг как набор черных ящиков) и когнитивная психология (теория разума, зеркальный нейрон), но это не вопрос в таком форуме программирования.

Я хотел бы понять различия между двумя точками зрения. В идеале ответы будут ссылаться на примеры и академические документы, где один из подходов получает хорошие результаты, а другой терпит неудачу. Меня также интересуют исторические тенденции: почему подходы оказались не по нраву, а новые подходы начали расти. Например, я знаю, что байесовский вывод является вычислительно трудноразрешимым, проблема в NP, и поэтому в течение долгого времени вероятностные модели не были одобрены в мире информационных технологий. Однако они начали расти в эконометрике.

Answer 1

Я думаю, что у вас есть несколько идей, смешанных вместе. Это правда, что существует различие между основанными на правилах и вероятностными подходами к задачам «ИИ», однако оно не имеет ничего общего с сильным или слабым ИИ, очень мало связано с психологией, и это не так ясно, как битва между двумя противоположными сторонами. Кроме того, я думаю, что байесовский вывод не использовался в информатике, потому что вывод NP завершен в целом, это немного вводит в заблуждение. Этот результат часто не имеет большого значения на практике, и большинство алгоритмов машинного обучения не делают реального байесовского вывода в любом случае.

Сказав все это, история обработки естественного языка прошла с основанных на правилах систем в 80-х и начале 90-х годов до систем машинного обучения до наших дней. Посмотрите на историю MUC conferences, чтобы увидеть ранние подходы к задаче извлечения информации. Сравните это с текущим состоянием в распознавании и синтаксическом распознавании имени (ACL wiki - хороший источник этого), которые основаны на методах машинного обучения.

Что касается конкретных ссылок, я сомневаюсь, что вы найдете кого-нибудь, написавшего академическую статью, в которой говорится, что «статистические системы лучше, чем системы на основе правил», потому что часто бывает очень сложно сделать определенное утверждение. Быстрый Google для «статистических и правил» дает документы, такие как this, который рассматривает машинный перевод и рекомендует использовать оба подхода в соответствии с их сильными и слабыми сторонами. Я думаю, вы обнаружите, что это типично для академических работ. Единственное, что я прочитал, действительно стоит на этом вопросе: «The Unreasonable Effectiveness of Data», который хорошо читается.

Answer 2

Что касается «основанной на правилах» и «вероятностной» вещи, вы можете пойти на классическую книгу Иудеи Перл - «Вероятностное рассуждение в интеллектуальных системах». Перл пишет очень предвзято к тому, что он называет «интенсиональными системами», который в основном, контр-часть материала, основанного на правилах. Я думаю, что эта книга - это то, что задает всю вероятностную вещь в ИИ (вы также можете утверждать, что время было обязательным, но тогда это была книга того времени).

Я думаю, что машинное обучение - это совсем другая история (хотя она ближе к вероятностному ИИ, чем к логике).