Aplicaciones para el lenguaje de programación de iglesias

Question

¿Alguien ha trabajado con el lenguaje de programación Church? ¿Alguien puede recomendar aplicaciones prácticas? Acabo de descubrirlo, y si bien parece que soluciona algunos problemas de larga data de la inteligencia artificial y el aprendizaje automático, soy escéptico. Nunca había oído hablar de él, y me sorprendí al descubrir que realmente ha existido por algunos años, después de haber sido anunciado en el documento Church: a language for generative models.

Answer 1

No estoy seguro de qué decir sobre el tema de las aplicaciones prácticas. ¿Modelar las habilidades cognitivas con modelos generativos constituye una "aplicación práctica" en tu mente?

La importancia clave de Church (al menos ahora) es que nos permite a los que trabajamos con soluciones de inferencia probabilística para los problemas de IA una forma más sencilla de modelar. Es esencialmente un subconjunto de Lisp.

No estoy de acuerdo con Chris S en que se trata de un lenguaje de juguete. Si bien algunos de estos problemas de inferencia se pueden replicar en otros lenguajes (he creado varios en Matlab) generalmente no son muy reutilizables y realmente hay que amar trabajar en 4 y 5 para bucles profundos (lo odio). En lugar de abordar el problema de esa manera, Church usa las ventajas recursivas de lamda calaculus y también permite algo llamado memoriamiento que es realmente útil para modelos generativos ya que su modelo generativo a menudo no es el mismo juicio tras ensayo, aunque para la prueba, realmente necesitas esto.

Yo diría que si lo que estás haciendo tiene algo que ver con Bayesian Networks, Hierarchical Bayesian Models, soluciones probabilísticas para POMDP o Dynamic Bayesian Networks, entonces creo que Church es de gran ayuda. Por lo que vale, he trabajado con Noah y Josh (dos de los autores de Church) y nadie tiene un mejor manejo de la inferencia probabilística en este momento (en mi humilde opinión).

Answer 2

Probablemente, el artículo iba a publicarse el día de los inocentes. Aquí hay otro artículo fechado a fines de marzo del año pasado. http://dspace.mit.edu/handle/1721.1/44963

Answer 3

¿Sabes qué describe mejor la Iglesia de lo que dije? Este artículo de MIT: http://web.mit.edu/newsoffice/2010/ai-unification.html

Es un poco más hiperbólico, pero entonces, no soy inmune al optimismo presente en este artículo.

Answer 4

Church forma parte de la familia de lenguajes de programación probabilísticos que permite separar la estimación de un modelo de su definición. Esto hace que el modelo probabilístico y la inferencia sean mucho más accesibles para las personas que desean aplicar el aprendizaje automático, pero que no son en sí mismos investigadores de aprendizaje automático.

Durante mucho tiempo, la programación probabilística significaba que tenía que idear un modelo para sus datos y derivar la estimación del modelo usted mismo: tiene algunos valores observados, y desea aprender los parámetros. La estructura del modelo está estrechamente relacionada con la forma en que se estiman los parámetros, y debe tener un conocimiento bastante avanzado del aprendizaje automático para realizar los cálculos correctamente. Los recientes lenguajes de programación probabilísticos son un intento de abordar eso y hacer las cosas más accesibles para los científicos de datos o las personas que realizan trabajos que aplican el aprendizaje automático.

Como analogía, considere lo siguiente:

usted es un programador y desea ejecutar un código en un ordenador. En la década de 1970, tenía que escribir el lenguaje ensamblador en tarjetas perforadas y alimentarlas en un mainframe (para el cual tenía que reservar tiempo) para ejecutar su programa.Ahora es 2014, y hay idiomas de alto nivel y fáciles de aprender en los que puede escribir código incluso sin saber cómo funciona la arquitectura de la computadora. Todavía es útil entender cómo funcionan las computadoras para escribir en esos idiomas, pero no tiene tiene, y mucha más gente escribe código que si tuviera que programar con tarjetas perforadas.

Los lenguajes de programación probabilísticos hacen lo mismo para el aprendizaje automático con modelos estadísticos. Además, Church no es la única opción para esto. Si usted no es un devoto de programación funcional, también puede echa un vistazo a los siguientes marcos para la inferencia bayesiana en modelos gráficos:

• Infer.NET, escrito en C# por el Microsoft Research lab in Cambridge, UK
• stan, escrito en C++ por las estadísticas departamento en Columbia