机器学习的数学方法较少？

Question

出于好奇，我一直在读机器学习领域，我对所涉及的计算量和数学感到惊讶。我正在阅读的一本书使用了Ring Theory和PDE等高级概念（注意：我对PDE的唯一了解就是他们使用那个看起来很滑稽的角色）。考虑到数学本身是“学习”的难点，这让我觉得奇怪。

机器学习的任何分支是否使用不同的方法？

我认为，更多地依赖逻辑，记忆，构建无根据的假设和过度概括的方法将是更好的方法，因为这似乎更像是动物的思维方式。动物没有（明确地）计算概率和统计数据;至少据我所知。

Answer 1

我们大脑中神经元的行为非常复杂，需要一些重型数学来建模。所以，是的，我们确实计算了非常复杂的数学，但它是以我们没有察觉的方式完成的。

我不知道你通常在A.I.找到的数学研究完全归因于建模的自然神经系统的复杂性。部分原因可能还在于启发式技术甚至没有尝试对思维进行建模（例如，使用卷积滤波器来识别形状）。

Answer 2

如果你想避免数学但是喜欢AI，那么你总是可以坚持使用更简单的模型。在90％的情况下，更简单的模型将足以应对现实世界的问题。

我不知道AI的轨迹与数学完全脱钩。概率论是用于处理不确定性的工具，它在人工智能中起着重要作用。因此，即使没有那么数学的子域，数学技术也是改进这些方法的最佳方法。因此，数学将回到游戏中。即使是朴素贝叶斯和决策树这样的简单技术也可以在没有大量数学的情况下使用，但真正的理解只能通过它来实现。

机器学习非常重要。它有时被称为接近“计算统计”，更侧重于计算方面。不过，你可能想看看O'Reilly的“集体智慧”。我听说他们有很好的ML技术，没有数学太难。

Answer 3

你可能会发现机器学习的进化计算方法不那么重要，而是重载数学，例如蚁群优化或群体智能等方法。

我认为你应该把它放在一边，如果你把它作为你的问题的建议，那就是机器学习试图模拟动物大脑中发生的事情的观点（包括 Homo Sapiens < / em>的）。现代机器学习中的许多数学都源于其模式识别和匹配的基础;其中一些来自于试图将所学的东西表示为准数学陈述;其中一些来自需要使用统计方法来比较不同的算法和方法。其中一些是因为一些领先的从业者来自科学和数学背景而不是计算机科学背景，他们带来了他们的工具集。

我很惊讶你很惊讶机器学习涉及大量的计算，因为人工智能的悠久历史已经证明构建（似乎）思考的机器是非常困难的。

Answer 4

我最近一直在考虑这种事情。

不幸的是，大多数工程师/数学家类型都与他们熟悉的数学/计算世界联系在一起，他们常常忘记考虑其他范例。

例如，艺术家经常以非常流畅的方式思考世界，通常不受数学模型的束缚。艺术中发生的大部分是原型或象征性的，并且通常不遵循任何看似传统的逻辑安排。当然，这有很多例外。例如，音乐，尤其是音乐理论，往往需要强大的左脑处理等等。事实上，我认为即使是最正确的脑力活动也不是缺乏逻辑，而是更复杂的数学范式，就像混沌理论是分形的美。所以从左到右和后面的交叉不是分裂，而是共生耦合。人类利用大脑的两侧。

最近我一直在考虑对数学和机器语言采用更加巧妙的表征方法 - 即使是在零和零的平庸世界中。在很长一段时间内，世界一直在考虑熟悉的数学，数字和字母惯例的机器语言，并且重新调整宇宙并不容易。但在某种程度上，它自然而然地发生。维基，wysisygs，绘图工具，照片和声音编辑器，博客工具等等，所有这些工具都可以在幕后提供繁重的数学和机器代码，为用户提供更加巧妙的终端体验。

但是我们很少想到为编码员自己做同样的事情。可以肯定的是，代码本质上是象征性的，语言。但我认为有可能将整个事情放在首位，并采用视觉方法。这看起来像任何人的猜测，但在某种程度上，我们随处可见，因为机器学习的整个世界随着时间的推移越来越抽象。随着机器变得越来越复杂并且可以做越来越复杂的事情，基本上有必要抽象和简化这些流程，以便于使用，设计，架构，开发......以及您的名字。

所有人都说，我不相信机器在没有人为输入的情况下会自己学到任何东西。但这是另一场辩论，关于宗教，上帝，科学和宇宙的特征。

Answer 5

我参加了上学期的机器学习课程。我们大学的认知科学主席对符号机器学习很感兴趣（这是没有数学或统计学的东西; o））。我可以推荐两本优秀的教科书：

• 机器学习（Thomas Mitchell）
• 人工智能：现代方法（Russel和Norvig）

第一个更专注于机器学习，但它非常紧凑，有一个非常温和的学习曲线。第二个是一个非常有趣的阅读，有许多历史信息。

这两个标题应该给你一个很好的概述（机器学习的所有方面，而不仅仅是符号方法），这样你就可以自己决定你想要关注哪个方面。

基本上总是有数学，但我发现象征性的机器学习更容易入手，因为大多数方法背后的想法往往非常简单。

Answer 6

数学只是机器学习的一种工具。了解数学使人们能够有效地处理手头的模拟问题。当然，也许有可能蛮力通过，但通常这会带来对所涉及的基本原则的理解减少的代价。

所以，拿起一本数学书，研究这些主题，直到你熟悉这些概念。没有理解系统行为背后的基本数学，机械工程师就不会设计桥梁;为什么这在机器学习领域会有所不同？

Answer 7

机器学习中有很多东西，只是数学之外......

你可以使用大量的数学建立最惊人的概率模型，但是失败是因为你没有从数据中提取正确的特征（可能经常需要领域洞察力），或者无法弄清楚你的模型失败了什么在特定数据集上（这需要您高度了解数据的内容以及模型需要的内容）。

没有数学，你不能自己构建新的复杂ML模型，但你确定可以使用现有的经过验证的模型来分析信息并做很酷的事情。
你仍然需要一些数学知识来解释模型给你的结果，但这通常要比你自己构建这些模型容易得多。

尝试使用http://www.cs.waikato.ac.nz/ml/weka/和http://mallet.cs.umass.edu/进行游戏。前者附带所有标准ML算法以及许多令人惊叹的功能，可让您可视化数据并将其预处理/后处理取得好成绩。

Answer 8

是的，机器学习研究现在由试图解决分类问题的研究人员主导：给定n维空间中的正/负例子，什么是捕获正像的最佳n维形状。

case-based reasoning（或基于案例的学习）采用另一种方法，其中演绎与演绎一起使用。我们的想法是，你的程序从很多关于世界的知识开始（比如，它理解牛顿物理学），然后你展示了一些正常的行为示例（比如说，这就是机器人在这种情况下应该如何踢球）然后程序一起使用这些来推断所有情况下的期望行为。排序......

Answer 9

首先是基于人工智能的AI，符号AI都是理论。很少有项目以成功的方式使用它们。现在AI是机器学习。甚至神经网络也是ML中的核心元素，它使用基于梯度的优化。你想做机器学习，线性代数，优化等是必须的.​​.