目前关于智能化工具的实现主要是应用到专家系统和基于概率统计

早些时候大部分都是用专家系统实现的，近几年就已经慢慢的假如了Al，即基于概率统计也慢慢被应用起来，成熟起来。
下面将展开说明专家系统和基于概率模型的区别和特点。
1、 数据量

• 专家系统：没有数据/少量数据
• 概率统计：大量的数据
  2、主义类型
• 专家系统：符号主义
• 概率统计：连接主义

专家系统

专家系统 = 推理引擎+知识（类似于程序 = 数据结构和算法）

• 利用知识和推理来解决决策问题
• 全球第一个专家系统叫DENDRAL,由斯坦福大学学者开发于70年代

专家系统主要是根据业内专家（关于某个领域内的行家）分享经验，然后知识工程师整理专家的分享，放在知识库，算法工程师根据知识库打造推理引擎。主要的推理引擎形式类似条件判断

if condition1:
    do something1
elif condition2:
    do something2
elif condition3:
    do something3

专家系统工作流程.png

专家系统的特点

• 处理不确定性
• 知识的表示
• 可解释性
• 可以做只是推理

专家系统的推理主要是依赖离散数学的推理方式

下面给出一个例子

image.png

专家系统的缺点

• 设计大量的规则
• 需要领域专家来主导
• 可移植性差
• 学习能力差
• 人能考虑的范围是有限的
  专家系统需要关注以下几点的问题
• 逻辑推理
• 解决规则冲突
• 选择最小规则的子集
  现实中很多都还是应用专家系统的。

基于概率统计

基于概率统计的学习也是现在的机器学习

定义：自动从已有的数据里找出一些规律，然后把学习到的这些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一些决策
机器学习分为两类

• 监督学习 有标签的学习 D（x1,y1）,(x2,y2)
• 非监督学习 无标签的学习 D(x1,x2,x3)

监督学习

• 线性回归
• 逻辑回归
• 朴素贝叶斯
• 神经网络
• SVM
• 随机森林
• Adaboost
• CNN

非监督学习

• K-means
• PCA
• ICA
• MF
• LSA
• LDA

生成模型和判别模型

1、生成模型是根据物品的全部特征生成新物品，P(X),P(XY)
2、判别模型是求条件概率P（Y|X）