自然语言处理---Two Main Branches of Learning

最新推荐文章于 2023-04-20 12:08:34 发布
原创 最新推荐文章于 2023-04-20 12:08:34 发布 · 279 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了在数据量不同情况下，如何选择专家系统（基于规则的决策）和概率模型（统计学习）。专家系统适用于数据稀缺时，强调知识推理；而大数据背景下，概率系统如贝叶斯网络或机器学习更具优势。讨论了专家系统的优缺点，如规则设计复杂性和对专家依赖等，以及概率系统的可扩展性和学习能力。

自然语言处理---Two Main Branches of Learning

根据数据量选择系统

数据量很小/没有数据—>专家系统
数据量很大—>基于概率的系统

专家系统（Expert System）

在这里插入图片描述

在这里插入图片描述

Expert System’s Flow

在这里插入图片描述

在这里插入图片描述

Properties of Expert System

  1. 处理的不确定性
  2. 知识的表示
  3. 可解释性
  4. 可以做知识推理

Logical Inference

在这里插入图片描述

Forward Chaining Algorithm

在这里插入图片描述

Backward Chaining Algorithm

在这里插入图片描述

Drawbacks of Expert System

  1. 设计大量的规则（Design Lots of Rules）
  2. 需要领域专家来主导（Heavily Reply on Domain Expert）
  3. 可移植性差（Limited Transferability to other Domain）
  4. 学习能力差（Inability to Learn）
  5. 人能考虑的范围是有限的（Human Capacity is Limited）

基于概率的系统（Probabilistic）

在这里插入图片描述

机器学习、AI领域研究知识点
AI天才研究院
08-07 985
本文由我个人创作，旨在分享我对机器学习、AI领域研究的见解和经验，力求用最生动、通俗易懂的方式阐述这些知识点。同时，我希望通过这个平台能够为广大的AI爱好者提供一个交流、学习、探讨的平台，共同进步。文章主要面向所有AI相关从业人员，如机器学习工程师、数据科学家、产品经理、算法工程师等。让我们一起踏上机器学习不断前行的道路！本站涉及到的主题包括但不限于机器学习、深度学习、NLP、CV、推荐系统、强化学习、广告算法、图像处理、语音识别等多个方向。希望大家能持续关注并提供宝贵意见。
Target-driven Visual Navigation in Indoor Scenes using Deep Reinforcement Learning学习笔记
jing_jing95的博客
03-05 1959
Abstract Two less addressed issues of deep reinforcement learning are (1) lack of generalization capability to new target goals, and (2) data inefficiency i.e., the model requires several (and often ...
【人工智能】— 一阶逻辑、量词的推理规则、一般化分离规则、合一、前向/反向链接算法、归结算法
我们都是被分成两半的人，一边热爱生活，一边憎恨生活。面对生活，我们总是在矛盾的两端摇摆，在反复的矛盾和犹豫中，一边踉跄前行，一边重振旗鼓。我渴望改变，渴望变得更好，渴望找到出口……就像一个溺水人的挣扎，就像一个救生圈。我是一个矛盾集合体，想要变得快乐，但是
04-20 3590
确定子句是一种形式化的表示方法，其中每个子句都是一个析取式，而每个析取式都是由一个或多个文字（原子命题或它们的否定）构成的。我们可以使用 GMP 推理出 John 是男性，因为 John 是 Mary 的父亲，而所有的父亲都是男性。其中，L1，L2 …Ln 是原子命题或它们的否定，并且 Q 是一个原子命题。一般化分离规则是分离规则（Modus Ponens）的提升版本——它将分离规则从命题逻辑提高到一阶逻辑。找到一个最一般的替换 θ，使得前提中的每个原子命题都可以用替换后的形式匹配前提中的相应原子命题。
【学习笔记】贪心NLP训练营05
weixin_42324313的博客
06-07 590
Learning 文章目录Learning1 介绍2 专家系统2.1 逻辑推理2.1.1 Forward Chaining Algorithm2.1.2 Backward Chaining Algorithm2.2 优点和缺点2.2.1 优点2.2.2 缺点2.3 搭建专家系统可能的问题2.4 拓展——解决问题的思维3 机器学习方法3.1 监督学习3.2 无监督学习3.3 生成模型与判别模型3.3 工作流程4 朴素贝叶斯 1 介绍 2 专家系统 2.1 逻辑推理 2.1.1 Forward Cha
NLP(8): 专家系统和good turning smoothing
JJJJJJames的博客
02-08 467
第一节：Good-Turning Smoothing NcN_cNc​:出现c次的单词的个数 N3N_3N3​: 有多少个单词出现三次 考虑新的物种，将下一次出现的概率的部分给其他新的物种，所以对于已经有的物种下一次出现的概率会小于mle得估计。 缺点：在原数据上出现21次的下一个的概率需要出现22次得单词的个数。但有可能统计不出22次的内容。且不一定有单词出现22次。 第二节：利用语言模型生成句子 语言模型是一个生成模型 通过模型可以生成一些新的数据：图片，音乐，文本 1、unigram mode
人智导（二十）：知识表示与自动推理（Ⅲ）
SWY's Workshop
11-25 2048
人智导（二十）：知识表示与自动推理（Ⅲ） 前向链与后向链推理策略 总述 到目前为止 我们已经有了知识表示的语言 我们也已有了合适的推理规则（泛化的假言推理）使用知识 现在考虑如何构建一个推理程序 泛化的假言推理能通过两个方式得以实现 前向链推理方式(forward chaining) 后向链推理方式(backward chaining) 前向链推理 始于知识库(KB)中的句子，依次通过推理规则产生新的结论 过程被触发通过不断地增加新观察到的事实p到知识库KB 前向链推理可被设计在TELL这个部分
Rete算法
技术备忘录
07-23 2896
在生成系统中，推论过程可分成三个阶段 : 比对(Match)、冲突解决(Conflict resolution)、执行(Act)。而在比对的方法中，最直接的方法就是把所有可能的比对条件组合全部以推论式表示， 在输入资料后一一比对所有的推论式，比对成功后进入下一个阶段，这种方式称做naive演算 法。但是这样的方法有明显的缺点，就是只要少许的变数组合就会使得推论数量暴增，变得不 可行。而RETE就是
【CRR-FMM】A Concise Review of Recent Few-shot Meta-learning Methods
Joselynzhao
05-29 598
【CRR-FMM】A Concise Review of Recent Few-shot Meta-learning Methods1 IntroductionMindMap2. The Framework of Few-shot Meta-learning2.1. Notation and definitionsDefinition 1. (Small-sample learning)Definition 2. (Few-shot learning)Definition 3. (Few-shot met.
Paper：《Pre-trained Models for Natural Language Processing: A Survey自然语言处理的预训练模型综述》翻译与解读
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
07-03 8414
​ Paper：《Pre-trained Models for Natural Language Processing: A Survey自然语言处理的预训练模型综述》翻译与解读 目录 Paper：《Pre-trained Models for Natural Language Processing: A Survey自然语言处理的预训练模型综述》翻译与解读 Abstract 1、Introduction 2、Background 3 Overview of PTMs—PT
【CVPR 2021】Joint Generative and Contrastive Learning for Unsupervised Person Re-identification
Joselynzhao
10-19 1480
方法概述 1，提出了一种用于无监督行人重识别的联合生成对比学习框架，生成和对比模块互相提高对方的性能。 2， 在生成模块中，我们引入了3D网格生成器。 3， 在对比模块，我们提出了一种视角无关的损失，来减少生成样本和原始样本之间的类内变化。 文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献 内容概要 论文名称 简称 会议/期刊 出版年份 baseline backbone 数据集 Joint Generative and Contrastiv.
Blind Face Restoration via Deep Multi-scale Component Dictionaries 通过深度多尺度分量字典进行盲脸修复
learning5201的博客
04-26 1185
Blind Face Restoration via Deep Multi-scale Component Dictionaries 通过深度多尺度分量字典进行盲脸修复 Abstract Recent reference-based face restoration methods have received considerable attention due to their great capability in recovering high-frequency details on real
Real-Time Machine Learning Model Update Strategies: 3 Tips to Keep Your Model Ahead
In today's data-driven world, the real-time capability of machine learning models has become a key factor in enhancing corporate competitiveness. With the ongoing evolution of business needs and rapid...
PEGA之Declare-Expression 与Forward-Chaining/Backward-Chaining ---- RichardLu
BPM技术中心
07-28 1946
Declare-Expression 与Forward-Chaining /Backward-Chaining  先举一个例子：Declare-Expression 中表达式是C = A+B。当A和B的值确定的时候，C的值会自动计算出来，大家都会说这个是Forward-Chaining。然而Backward-Chaining是怎么样的运算规则呢？有一种理解是：如果A和C的值确定了，
前向算法(Forward Algorithm)
热门推荐
jeiwt的专栏
10-16 1万+
本文直接举实例说明ForwardAlgorithm (前向算法) 由马尔科夫模型MM可知:对于一个系统，由一个状态转至另一个状态的转换过程中，存在着转移概率，并且这种转移概率可以依据其紧接的前一种状态推算出来，与该系统的原始状态和此次转移前的马尔可夫过程无关。 隐马尔可夫模型（HiddenMarkov models，HMM）是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到
包头市建筑轮廓带高度属性矢量SHP数据合集wgs84坐标系（非OSM）.zip
12-28
包头市建筑轮廓带高度属性矢量SHP数据合集wgs84坐标系（非OSM）.zip
成都信息工程大学网络游戏编程技术.zip
最新发布
12-28
成都信息工程大学网络游戏编程技术
Fidelity充电桩投资理财系统源码-前端uniapp纯源码+后端PHP（带搭建教程）
12-28
Fidelity充电桩AI量化投资理财源码/前端uniapp纯源码+后端PHP 测试环境：Linux系统CentOS7.6、宝塔面板、Nginx、PHP7.2、MySQL5.7，运行目录public，伪静态thinkphp，建议开启SSL 全开源的一套投资理财源码，可以改成任意产品，前端uniapp纯源码，后端FastAdmin框架 里面有点混乱，有民宿的产品、虚拟货币的产品、充电桩、AI量化产品，反正有点乱，但是程序是完整的，功能全都是正常可以使用 有签到、积分商城、团队推广，冲提都是USDT，带有部署文件
成都信息工程大学概率论.zip
12-28
成都信息工程大学概率论
工程量计算书自动计算（含汇总表）全国工程造价工程计算表格软件大全202512.xls
12-28
EXCEL自动计算公式模板 可修改、可定制、可按自己的需求编辑 工程造价计算公式excel表格数据，含自动计算公式，输入相关数据后，自动计算出您要的结果，方便好用
Go-Gitql：探索Git查询语言的全新维度
总结来说，Go-Gitql为Go开发者提供了一种高效、易于理解的方式去查询和处理Git仓库中的数据，它既加强了Go语言在Git操作方面的能力，也提高了开发效率，使得在Go环境中处理复杂的Git仓库信息变得更加简单和直接。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Z小超爱学习

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值