机器学习的数学方法较少？

Question

出于好奇，我一直在阅读一些机器学习领域的知识，我对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诸如环理论和PDE之类的高级概念(注意:我对PDE唯一了解的是它们使用了看起来很滑稽的字符)。考虑到数学本身是一件很难“学习”的事情，这让我觉得很奇怪。

机器学习有没有使用不同方法的分支？

我认为，更多地依赖于逻辑、记忆、构建毫无根据的假设和过度概括的方法将是更好的方法，因为这似乎更像动物的思维方式。动物不会(显式地)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，需要一些繁重的数学来建模。所以，是的，我们确实计算了非常复杂的数学，但它是以一种我们没有察觉的方式完成的。

我不知道你通常在人工智能研究中发现的数学是不是完全由于被建模的自然神经系统的复杂性。这也可能部分归因于启发式技术，这些技术甚至不试图对思维进行建模(例如，使用卷积滤波器来识别形状)。

Answer 2

如果你想避免数学运算，但又想做类似人工智能的事情，你总是可以坚持使用更简单的模型。在90%的情况下，更简单的模型对于现实世界的问题来说是足够好的。

我不知道人工智能的轨迹是完全从数学中解耦出来的。概率论是处理不确定性的工具，不确定性在人工智能中扮演着重要的角色。因此，即使没有数学子领域，数学技术也是改进这些方法的最好方法。因此，数学将重新回到游戏中来。即使是像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知识的情况下使用，但真正的理解只有通过它才能实现。

机器学习需要大量的数学运算。它有时被认为接近于“计算统计”，但更多地关注于计算方面。不过，你可能想看看O‘’Reilly的"Collective Intelligence“。我听说他们有一个很好的ML技术集合，不需要太难的数学。

Answer 3

你可能会发现机器学习的进化计算方法不像以前那样需要大量的数学运算，比如蚁群优化或群体智能。

我认为你应该把机器学习试图模拟动物(包括智人)的大脑的观点放在一边，如果你像你的问题所暗示的那样持有这个观点的话。现代机器学习中的许多数学知识都来自于它在模式识别和匹配方面的基础；其中一些来自于试图将学到的东西表示为准数学陈述；一些来自于需要使用统计方法来比较不同的算法和方法。其中一些原因是因为一些领先的实践者来自科学和数学背景，而不是计算机科学背景，当他们来到这里时，他们会随身携带他们的工具包。

我很惊讶你对机器学习涉及大量计算感到惊讶，因为人工智能的悠久历史已经证明，构建(似乎)思考的机器是极其困难的。