我开始研究应用于计算机视觉和情感计算的机器学习和贝叶斯推理。
如果我理解正确的话，之间会有一个很大的讨论
我认为它通常被称为强AI和弱AI也与功能心理学（大脑作为黑盒子集）和认知心理学（心理理论，镜像神经元）等哲学问题有关，但这不是像编程论坛那样的观点。这个。
我想了解两种观点之间的差异。理想情况下，答案将参考示例和学术论文，其中一种方法获得良好结果而另一种方法失败。我也对历史趋势感兴趣：为什么方法失宠，新的方法开始上升。例如，我知道贝叶斯推断在计算上难以处理，在NP中存在问题，这就是为什么很长一段时间概率模型在信息技术领域并不受青睐。然而，他们已经开始在计量经济学中崛起。
我想你有几个想法混在一起。确实，在基于规则和概率的“AI”任务之间存在区别，但它与强弱或弱AI无关，与心理学几乎没有关系，并且它不像两个对立面之间的战斗。另外，我认为说贝叶斯推理并没有用于计算机科学，因为推理是NP完全的，总的来说有点误导。这个结果在实践中通常并不重要，大多数机器学习算法无论如何都不会做真正的贝叶斯推理。
尽管如此，自然语言处理的历史从80年代和90年代初的规则系统发展到机器学习系统直到今天。查看MUC conferences的历史，了解信息提取任务的早期方法。将其与命名实体识别和解析中的当前最新技术进行比较（ACL wiki是一个很好的来源），它们都基于机器学习方法。
至于具体的参考文献，我怀疑你会发现有人写一篇学术论文，说'统计系统比基于规则的系统更好'，因为通常很难做出这样的明确陈述。一个快速的谷歌“统计与基于规则”产生了像this这样的论文，它们关注机器翻译，并建议根据他们的优势和劣势使用这两种方法。我想你会发现这是典型的学术论文。我唯一能读到的东西就是'The Unreasonable Effectiveness of Data'，这是一个很好的阅读。
至于“基于规则”与“概率”的关系，你可以选择Judea Pearl的经典着作 - “智能系统中的概率推理。珍珠写的非常偏向他所谓的”内涵系统“，这基本上是反...部分基于规则的东西。我认为这本书是在AI中引发整个概率的东西（你也可以争辩时间到期，但那时它是那个时代的书）。
我认为机器学习是一个不同的故事（虽然它更接近概率AI而不是逻辑）。