古典的なAI、オントロジー、機械学習、ベイジアン

Question

私はコンピュータビジョンと感情計算に適用される機械学習とベイジアン推論を研究し始めています。

私は右理解していれば、

• 古典IA、オントロジー、セマンティックWebの研究者
• と機械学習とベイズみんな

の間には大きな議論が、私はそれが通常呼ばれていると考えています機能的な心理学（脳はブラックボックスセット）や認知心理学（心理理論、鏡ニューロン）などの哲学的問題にも関連していますが、このようなプログラミングフォーラムのポイントではありません。

私は2つの視点の違いを理解したいと思います。理想的には、答えは良い例が得られ、もう一方が失敗する例と学術論文を参照します。私は歴史的な傾向にも興味があります。なぜアプローチが賛成できず、より新しいアプローチが立ち上がるのですか。例えば、私はベイジアン推論が計算上扱いにくい、NPの問題であることを知っています。そのため、確率論的モデルは情報技術の世界では好まれていませんでした。しかし、彼らは計量経済学で起き始めた。

Answer 1

私はいくつかのアイデアが混在していると思います。それは、ルールベースと確率的なアプローチの間に描かれる「AI」タスクの間には区別がありますが、AIの強さや弱さとは関係なく、心理学とはほとんど関係がなく、それほど明確なカットではありません2つの反対側の間の戦い。また、ベイズ推論はコンピュータ科学では使われていないと言っていると思いますが推論は一般的に完全なNPは少し誤解を招くためです。その結果は実際にはそれほど重要ではないことが多く、機械学習アルゴリズムのほとんどは実際のベイジアン推論を行わない。

自然言語処理の歴史は、80年代と90年代の90年代のルールベースのシステムから今日までの機械学習システムになりました。 MUC conferencesの歴史を見て、情報抽出タスクの初期のアプローチを見てください。名前付きエンティティの認識と解析（現時点ではACL wikiがこれに適しています）の最新技術と比較してください。これらはすべて機械学習の手法に基づいています。

具体的な参考文献として、「統計システムはルールベースのシステムより優れています」という学術論文を書く人はいないでしょう。そのような明確な記述をすることはしばしば困難です。 Googleの「統計対ルールベース」の素早いGoogleでは、thisのような論文を作成し、機械翻訳を見て、その長所と短所に応じて両方のアプローチを使用することを推奨しています。私はこれが学術論文の典型であることがわかります。私が読んだ唯一の問題は、実際に問題に立っていることは、 'The Unreasonable Effectiveness of Data'です。これは良い読みです。

Answer 2

「ルールベース」と「確率論的」のことについては、Judea Pearlの著書「知性システムにおける確率論的推論」を参考にすることができます。基本的にはルールベースのものとは逆のものですが、この本はAIの確率論的なことを説明していると思います（時間があったと主張することもできますが、その時の本です）。

私は機械学習は別の話だと思う（ロジックよりも確率的なAIに近いが）。