AI的两大分支---基于规则推理的专家系统和基于概率的系统

基于规则推理的专家系统

专家系统：也叫符号主义，基于规则推理，特别是没有数据集或数据量很少时，例如：金融风控领域

搭建专家系统的流程：
1.需要一批领域的专家，输出工作经验
2.需要知识工程师，将专家的经验转换成计算机可识别的形式编码专家经验，形成知识库
3.基于知识库，由算法工程师来编写推理引擎。

专家系统的特性：
1.处理不确定性
2.知识的表示
3.可解释性
4.可以做知识推理
知识的表示：正常数据是非结构化数据，可以转换成知识图谱的格式，形成结构 化数据；与神经网络相比，专家系统基于规则而行，可解释性很强。

可用算法:
Forward Chaining Algorithm：循环生成目标推理，增加新的事实
Backward Chaining Algorithm[反着推]

专家系统的缺点：
·设计大量的规则(Design Lots of Rules)
·需要领域专家来主导(Heavily Reply on Domain Experts)
·可移植性差(Limited Transferability to other Domain)
·学习能力差(Inability to Learn)
·人能考虑的范围是有限的(Human Capacity is Limited)

基于概率的系统

也叫连接主义，基于数据集的学习，例如：深度学习领域
自动从已有的数据中找规律，把学习到的规律应用到对未来数据的预测中，或者在不确定环境下自动做决策。

机器学习的分类：
生成模型：首先可以生成一些数据，生成模型识别猫狗时，模型会记录猫和狗的特征，然后通过这些特征来判别猫狗，最大化函数 P(x),P(x,y)
判别模型：识别猫狗时，会记录猫狗的区别，最大化P(x|y)

经典的工作流程：
1.数据清洗
2.特征工程(特征决定了系统的上限)
3.建模
4.端到端的流程：模型集成了特征提取的过程

解决一个难题的思路：

step1. 找一个“类似”的经典问题
step2. 查阅相关“经典”问题的文献，可以找到类似的问题或经典问题的更高级版本，逼近所解决问题。
step3.新方法解决新问题，新方法解决老问题，老方法解决新问题。