引言:
一、思路:
- 看paper的作者或者是从哪些理论出发产生paper的idea的?
- 看idea是什么?
- 模型的输入、输出、与对比实验的模型有哪些改进?
- 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)
-
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 -
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。 -
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。 -
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---------------------------------