經典AI，本體，機器學習，貝葉斯

Question

我開始學習機器學習和應用於計算機視覺和情感計算的貝葉斯推理。

如果我的理解對不對，有

• 古典IA，本體，語義網絡研究人員
• 和機器學習和貝葉斯傢伙

我想之間的大討論它通常被稱爲因爲強大的人工智能與弱的人工智能也與功能心理學（大腦爲黑匣子集合）和認知心理學（心理理論，鏡像神經元）等哲學問題有關，但這不是像這樣的編程論壇的要點。

我想了解兩種觀點之間的差異。理想情況下，答案將參考例子和學術論文，其中一種方法獲得好的結果，另一種方法失敗。我也對歷史趨勢感興趣：爲什麼方法失寵，新方法開始興起。例如，我知道貝葉斯推斷在計算上是NP難以處理的問題，這就是爲什麼很長一段時間概率模型在信息技術領域不受歡迎的原因。但是，他們已經開始在計量經濟學領域崛起。

Answer 1

我認爲你有幾個想法混在一起。的確，在基於規則的方法和概率方法之間存在着區別，但是它與AI的強弱無關，與心理學幾乎沒有關係，它幾乎沒有被明確地切割爲兩個對立的雙方之間的戰鬥。另外，我認爲說貝葉斯推斷沒有用在計算機科學中，因爲推論是NP完整的，一般來說有點誤導。這種結果在實踐中往往無關緊要，而且大多數機器學習算法無論如何都不做真正的貝葉斯推理。儘管如此，自然語言處理的歷史從80年代和90年代初的基於規則的系統發展到現在的機器學習系統。查看MUC conferences的歷史，查看信息提取任務的早期方法。將它與目前最先進的命名實體識別和解析（ACL wiki是一個很好的來源）進行比較，它們都基於機器學習方法。

就具體的參考文獻而言，我懷疑你會發現有人寫一篇學術論文說'統計系統比基於規則的系統好'，因爲通常很難做出如此明確的陳述。基於統計與規則的快速Google產生了諸如this這樣的論文，該論文着眼於機器翻譯，並根據其優缺點推薦使用這兩種方法。我想你會發現這是很典型的學術論文。我讀過的唯一一本真正解決問題的文章是'The Unreasonable Effectiveness of Data'，這是一個很好的閱讀。

Answer 2

至於「基於規則的」與「概率性」的事情，你可以參考Judea Pearl的經典着作 - 「智能系統中的概率推理」。Pearl寫的非常偏向於他所謂的「內涵系統」基本上是以規則爲基礎的東西的對立部分，我認爲這本書是AI中整個概率事物的起源（你也可以爭辯時間到期，但那時是當時的書）。我認爲機器學習是一個不同的故事（儘管它比概率AI更接近於邏輯）。