классический ИИ, онтология, машинное обучение, байесовский подход

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

Если я правильно понимаю, между

  • классическая ИА, онтология, исследователи семантической сети
  • и машинное обучение и байесовские ребята

Я думаю, что это обычно упоминается как сильный ИИ против слабого ИИ, связанного также с философскими проблемами, такими как функциональная психология (мозг как черный ящик) и когнитивная психология (теория разума, зеркальный нейрон), но это не главное на форуме программирования, таком как это.

Я хотел бы понять разницу между двумя точками зрения. В идеале ответы должны содержать ссылки на примеры и научные статьи, в которых один подход дает хорошие результаты, а другой терпит неудачу. Меня также интересуют исторические тенденции: почему подходы вышли из моды и начали появляться более новые подходы. Например, я знаю, что байесовский вывод неразрешим с вычислительной точки зрения, это проблема в NP, и поэтому долгое время вероятностные модели не пользовались популярностью в мире информационных технологий. Тем не менее, они начали расти в эконометрике.


machine-learning artificial-intelligence bayesian
person nkint    schedule 04.12.2010    source источник
comment
Итак, вы перепутали поля для заголовка и тегов?   -  person Cody Gray    schedule 04.12.2010

Ответы (2)


arrow_upward
4
arrow_downward

Мне кажется, вы перепутали несколько идей. Это правда, что существует различие, которое проводится между основанным на правилах и вероятностным подходами к задачам «ИИ», однако оно не имеет ничего общего с сильным или слабым ИИ, очень мало общего с психологией, и оно далеко не так однозначно, как битва между двумя противоборствующими сторонами. Кроме того, я думаю, что сказать, что байесовский вывод не использовался в информатике, потому что вывод является NP-полным, в целом, немного вводит в заблуждение. Этот результат часто не имеет большого значения на практике, и большинство алгоритмов машинного обучения в любом случае не делают реальных байесовских выводов.

Сказав все это, история обработки естественного языка прошла путь от систем, основанных на правилах в 80-х и начале 90-х годов, до систем машинного обучения до наших дней. Посмотрите историю конференций MUC, чтобы увидеть ранние подходы к задаче извлечения информации. Сравните это с текущим состоянием дел в распознавании и разборе именованных объектов (Вики ACL — хороший источник для этого), все они основаны на методах машинного обучения.

Что касается конкретных ссылок, я сомневаюсь, что вы найдете кого-нибудь, написавшего научную статью, в которой говорится, что «статистические системы лучше, чем системы, основанные на правилах», потому что часто очень трудно сделать такое определенное утверждение. Быстрый поиск в Google по запросу «на основе статистики и правил» выдает такие документы, как эта, в котором рассматривается машинный перевод и рекомендуется использовать оба подхода с учетом их сильных и слабых сторон. Я думаю, вы обнаружите, что это довольно типично для академических статей. Единственное, что я прочитал, что действительно поддерживает эту проблему, это «Необоснованная эффективность данных", который хорошо читается.

person Stompchicken    schedule 04.12.2010

arrow_upward
3
arrow_downward

Что касается «основанного на правилах» против «вероятностного», вы можете обратиться к классической книге Джуди Перл — «Вероятностное рассуждение в интеллектуальных системах». часть к основанным на правилах вещам Я думаю, что эта книга положила начало всей вероятностной штуке в ИИ (вы также можете возразить, что пришло время, но тогда это была книга того времени).

Я думаю, машинное обучение — это отдельная история (хотя оно ближе к вероятностному ИИ, чем к логике).

person ziggystar    schedule 04.12.2010