• Intelligence didapat dari manipulasi simbol abstrak
• Knowledge direpresentasikan sebagai kalimat dari simbol, contohnya logik formal
• Knowledge diturunkan dari proses logic reasoning
• desain top-down (deductive): a. spesifikasi knowledge (oleh domain expert ; b. knowledge representation; c. inferencing dengan symbol processing
• Contohnya: sistem pakar, pemrograman logik, ontology, jaringan semantik, Algoritma pencarian klasi

Statistical AI

• Intelligence sebai manipulasi sinyal numerik
• knowledge direpresentasikan sebagai struktur dari nilai numerik
• Knowledge diturunkan dari reasoning numerik
• Desain Bottom-Up (Inductive): a. data sebagai contoh (bukan high level knowledge); b. Membangun model representasi data; c. Menggunakan model untuk menyelesaikan tugas intelegen seperti klasifikasi dan regresi
• Contoh: Bayesian probabilistic reasoning, neural network, komputer evolusi (algoritma genetik, swarm inteligen), Fuzzy logik, clustering

Machine learning (ML) adalah sebuah pendekatan modern dari Statistical AI. ML berguna bila: 

• Orang yang ahli gak ada
• Ahli tidak bisa menjelaskan keahliannya
• Model dibangun berbasis data dalam jumlah besar

Tidak berguna bila:

• Pengetahuan dapat didefinisikan dalam rule yang jelas
• Pengetahuannya statis

Contoh orang tidak bisa menjelaskan keahliannya adalah bagaimana orang mengenali angka. Beberapa contoh kasus ML

• Pengenalan Pola: wajah, ekspresi, tulisan tangan, kata yang diucapkan, gambar medis, natural language
• Membuat pola: Gambar dan urutan gerak
• Mengenali anomali: deteksi fraud, pola tidak lazim pada pembacaan sensor di pembangkit nuklir
• Forecasting

Tipe-tipe Learning:

• Supervised : Mesin diberikan data training dan labels (output yang diinginkan)
• Unsupervised: diberikan training data tanpa output yang diinginkan
• Semi-supervised Learning: diberikan training data dan beberapa output yang diinginkan (label)
• Reinforcement Learning: reward dari sekumpulan aksa