机器学习

机器学习和符号主义的关系#

传统的符号主义和专家系统都说人为手动编制所有规则，但是机器学习是只配置策略（强化学习、监督学习）+ 加规则，机器自己去学习出函数和权重

flowchart TD
    AI[人工智能<br>Artificial Intelligence]
    
    AI --> Symbolism[符号主义/专家系统<br>Symbolism]
    AI --> ML[机器学习<br>Machine Learning]
    
    Symbolism --> Rule1[手写固定规则<br>if-then / 手工特征+公式<br>代表：深蓝、早期专家系统<br>特点：完全可解释、无学习过程]
    
    ML --> Traditional[传统机器学习<br>Traditional ML]
    ML --> Deep[深度学习<br>Deep Learning]
    
    Traditional --> T1[人工设计特征<br>Feature Engineering<br>代表：SVM、决策树、朴素贝叶斯、线性回归<br>特点：参数少、可解释性较强]
    Traditional --> Strategy[三大学习策略<br>Learning Paradigms]
    Deep --> Strategy    
    
    Strategy --> SL[监督学习<br>Supervised Learning]
    Strategy --> UL[无监督学习<br>Unsupervised Learning]
    Strategy --> RL[强化学习<br>Reinforcement Learning]
    
    SL --> SL1[有标签数据<br>输入-输出对<br>任务：分类、回归<br>SVM/决策树<br>应用：垃圾邮件过滤、房价预测]
    
    UL --> UL1[无标签数据<br>发现隐含结构<br>任务：聚类、降维<br>K-Means/PCA<br>应用：用户分群、异常检测]
    
    RL --> RL1[智能体+环境<br>奖惩机制驱动<br>任务：序贯决策<br>Q-Learning/DQN<br>应用：AlphaGo、自动驾驶]

    Deep --> D1[自动提取特征<br>End-to-End Learning<br>代表：CNN、RNN、Transformer<br>特点：参数海量、黑盒、需大算力]
    D1-->rnn[RNN<br>循环神经网络）<br>LSTM长短期记忆]
    D1-->cnn[CNN<br>卷积神经网络<br>卷积核]
    D1-->tan[Transformer<br>自注意力计算全局关联]