L'AI simbolico 'impara' un modello di dati?

Qual è la differenza tra aver conosciuto buoni input e interagire con l'ambiente? In entrambi i casi, hai input per l'algoritmo di apprendimento che ottiene un valore di qualche tipo. (Allo stesso modo, i percetron sono reti neurali artificiali, le cui mancate sono le funzioni lineari nei nodi.)

Esistono vari tipi di algoritmi di apprendimento non supervisionati, sebbene dal momento che non hanno risposte note, lavorano principalmente ordinando gli input in varie classi. Uno semplice è quello di rappresentare input con valori N in N-space e di utilizzare algoritmi di clustering per ottenere classificazioni.

I metodi simbolici dell'apprendimento automatico comprendono sia l'apprendimento supervisionato che non supervisionato.

L'apprendimento simbolico supervisionato copre l'estrazione di regole logiche e dipendenze dai dati:

• regole "if-then"
• alberi decisionali

e anche concetti di apprendimento dai dati:

• mining ontologie dai dati
• generazione di ipotesi
• ...

Per l'apprendimento simbolico senza supervisione, l'esempio ben noto è clustering concettuale .

Quindi l'apprendimento supervisionato e non supervisionato non è un sotto-simbolico (cioè reti neurali artificiali, classificatori bayesiani ...) solo argomento AI.

Le tecniche di apprendimento senza supervisione si adatterebbero solo ai problemi di classificazione. Se sei interessato agli agenti decisionali, allora ci deve essere un feedback per premiare l'agente per le giuste decisioni.