机器智能方向看文献的思路

引言：

一、思路：

1. 看paper的作者或者是从哪些理论出发产生paper的idea的？
2. 看idea是什么？
3. 模型的输入、输出、与对比实验的模型有哪些改进？
4. 总结思路

二、 机器智能方向的几大派系（名字的叫法可能不同，出发点一致就好）

1. 符号主义
   基于逻辑推理。基于逻辑推理的智能模拟方法模拟人的智能行为。
   优点：基于数学推理、计算逻辑极端严密；
   缺点：没有学习的过程；模型能吃的数据比较少，不能计算特别复杂的问题
   工具：prolog

2. 连结主义
   主要代表是神经网络。
   特点：模型效果好，模型能吃进很多数据；但解释性较差；
   模型的发展依赖于硬件的发展。

3. 统计学习
   基于统计学的基本假设出发，利用现有理论，再有算法和模型。比方说Logistic Regression是基于0-1分布的假设出发，并利用线性拟合的思想推导而来；SVM算法等。
   难点：当需要吃进很大数据时，目前还没有一种有效的训练方法；训练复杂数据时，计算量较复杂。

4. 概率图模型
   利用数据建模研究变量的因果性和相关性；
   主要的模型有：HMM、Bayes网络、GAN、 VAE等网络。

   --------PS:之后再从NLP/CV的应用上再做补充20190324---------------------------------