¿Hay libros sobre reconocimiento de patrones por lógica y lingüística en lugar de estadísticas y matemáticas?

Sí, pero fueron escritos hace más de 20 años. La mayoría de los libros de AI / PR escritos antes de 1990 enfatizaban enfoques simbólicos y lógicos “limpios” (no “desaliñados”) para el reconocimiento, planificación y aprendizaje de patrones. Pero la incapacidad de dichos modelos / sistemas para mejorar mediante la optimización los hizo demasiado frágiles para escalar hasta el punto de que podrían abordar el rendimiento a nivel humano en las relaciones públicas o las tareas de aprendizaje. Los mayores éxitos de los sistemas basados ​​en enfoques más numéricos (modelos de Markov, redes bayesianas, procesos de decisión de Markov, filtros kalman, bosques aleatorios, n-gramos, análisis y etiquetado probabilístico, etc.) simplemente superaron a los modelos anteriores construidos utilizando símbolos estructurados seleccionados manualmente. sustratos impulsados. A diferencia de los sistemas “limpios” anteriores, estos enfoques cuantitativos a menudo “desaliñados” podrían optimizarse, combinarse, corregirse con errores y hacerse más confiables. Finalmente, los ingenieros vencieron a los lógicos.