Artificial intelligence 减少机器学习的数学方法？

出于好奇，我一直在阅读一些关于机器学习领域的书籍，我对所涉及的计算和数学数量感到惊讶。我正在读的一本书使用了一些先进的概念，如环理论和偏微分方程（注：关于偏微分方程，我所知道的唯一一件事是它们使用了那个滑稽的角色）。考虑到数学本身是一件很难“学习”的事情，这让我感到奇怪

机器学习有没有使用不同方法的分支

---

我认为更依赖于逻辑、记忆、无根据假设的构建和过度概括的方法将是一种更好的方法，因为这似乎更像动物的思维方式。动物不会（明确地）计算概率和统计数据；至少据我所知。

我们大脑中神经元的行为非常复杂，需要一些繁重的数学建模。所以，是的，我们确实计算了极其复杂的数学，但它是以一种我们无法感知的方式完成的

---

我不知道你在人工智能研究中通常发现的数学是否完全是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，这些技术甚至不尝试对大脑建模（例如，使用卷积滤波器识别形状）。

如果你想避免数学，但喜欢人工智能，你可以始终坚持使用更简单的模型。在90%的时间里，更简单的模型将足以解决现实世界的问题

我不知道有哪一种人工智能与数学完全脱钩。概率论是处理不确定性的工具，在人工智能中起着重要作用。所以，即使没有这样的数学分支，数学技术也将是改进这些方法的最有效的方法。因此，数学将回到游戏中。即使是像朴素贝叶斯和决策树这样的简单技术也可以在不需要大量数学的情况下使用，但真正的理解只有通过它才能实现

---

机器学习对数学很重要。它有时被称为接近“计算统计学”，更多地关注计算方面。不过，你可能想看看奥雷利的《集体智慧》。我听说他们收集了大量的ML技术，但没有太多的数学知识。

你可能会发现进化计算方法在机器学习方面稍微少了一些繁重的数学知识，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）大脑活动的观点放在一边，如果你像你的问题所暗示的那样持有它的话。现代机器学习中的许多数学都是基于模式识别和匹配的；其中一些来自于试图将所学内容表示为准数学陈述；其中一些原因是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主要的实践者来自科学和数学背景，而不是计算机科学背景，他们来的时候会带着他们的工具集

---

我很惊讶，你会惊讶机器学习涉及大量计算，因为人工智能的悠久历史已经证明，制造（似乎）会思考的机器是极其困难的。

我上学期参加了一门机器学习课程。我们大学的认知科学教授对符号机器学习非常感兴趣（这是没有数学或统计学的东西）。我可以推荐两本优秀的教科书：

• 机器学习（托马斯·米切尔）
• 人工智能：现代方法（罗素和诺维格）

第一个更侧重于机器学习，但它非常紧凑，学习曲线非常平缓。第二本书非常有趣，有很多历史信息

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关注哪一方面

---

基本上总是涉及数学，但我发现符号机器学习更容易开始，因为大多数方法背后的想法往往非常简单

最近我一直在想这类事情

不幸的是，大多数工程师/数学家的类型与他们自己熟悉的数学/计算世界是息息相关的，他们常常忘记考虑其他范式。 例如，艺术家通常以一种非常流畅的方式思考世界，通常不受数学模型的约束。艺术中发生的许多事情都是原型或象征性的，而且往往不遵循任何看似常规的逻辑安排。当然，这方面也有非常明显的例外。例如，音乐，特别是在音乐理论方面，通常需要强大的左脑过程等等。事实上，我认为即使是最右脑的活动也不是没有左脑逻辑，而是更复杂的数学范式，就像混沌理论对分形之美的诠释一样。因此，从左到右再到后的交叉不是分裂，而是共生耦合。人类利用大脑的两侧

最近，我一直在思考一种更巧妙的数学和机器语言表达方法——即使是在一个由1和0组成的平庸世界里。很长一段时间以来，世界一直在按照熟悉的数学、数字和字母约定来思考机器语言，重新排列宇宙并不容易。但在某种程度上，这是自然发生的。Wiki、wysisygs、绘图工具、照片和声音编辑器、博客工具等等，所有这些工具都在幕后进行繁重的数学和机器代码处理，以形成一种更具艺术性的风格