自己对数学建模的看法
自己不懂数学建模。前一段时间和朋友以一起维护一个小的机器学习代码，用来根据天气数据预测太阳能电池的发电量。程序是上海一家公司写的，做机器学习开发的是上海交大的一个博士。自己看了机器学习的代码，突然联想到，大家说的数学建模，如果用机器学习来实现，可以忽略数学模型。
如果有一万组数据输入，经过了模型这个黑匣子之后，变成了一万组输出。【A】X=B。【A】是黑匣子，X是输入，B是输出。
在机器学习算法面前，黑匣子的内容是什么不重要，只要一万组输入和输出数据就可以了。当你拿第10001个数据来的时候，算法自动会搞定这一切，算出大概的输出应该是什么。
当一个系统及其复杂，几乎无法数学建模的时候，机器学习的优势就很明显了。机器学习真的是降低了数学建模的难度。甚至都不用关心模型是什么了。
机器学习的弱点也明显，计算量大！！！，实时性肯定差，无法满足要求。
https://www.ithome.com/html/next/351010.htm
看了这个新闻，发现机器学习如果用来做一些复杂的控制，真的是比固定的算法更加具有优势。
自己的理解不一定对啊，随便说说。
你连用什么模型都不知道，就用机器学习跑，跑出来的数据，你敢不敢用？你敢不敢签字？你敢不敢承诺所有的责任都由你来负？ 本帖最后由 皮卡丘不会打乒乓球 于 2018-7-29 07:12 编辑
给你一个时变系统、试验非常容易崩溃。
试验的数据规模和你系统复杂程度成正比。
机器学习不是新出现的玩意。也不是没有行业应用。比如卡尔曼滤波器就是基于协方差的滤波器这个过程和人积累经验的过程很相似，通过大量练习总计一般性规律，剔除不正常的数据影响。
但是机器学习一半都是挂在一个控制系统下面的一个功能模块。真正的框架还是依赖于解析解。
而且最重要一点，机器学习不代表你的工作量可以大幅度减少。因为需要花大把大把的时间去学习数学。
媒体的话不能全信 为什么我看完之后一脸茫然... 本帖最后由 eeboss 于 2018-7-29 08:43 编辑
机器学习代码就是一小段代码，直接引用谷歌等开源库就可以。
就是个小功能模块。
不过自己觉得机器学习还是伟大的，没有这些大公司的开源，国人是玩不出这些东西的。
对于围棋、天气、股市等等复杂饿系统，数学模型太复杂了，可能机器学习更适合。
简单的系统，肯定还是直接数学模型分析更靠谱。
pid系统不就是靠简单的几个参数设置调参，绕过了复杂的物理数学模型吗？这个有利有弊。就像没有数学理论模型，靠大量的实验数据，照样能拟合出精度高的数学模型。选用哪个还是根据实际情况定，考虑时间，成本和产出的关系 数学模型就是理论空间和现实空间的一个映射，用模型去逼近某一条件下的真实情况 概率论应用，没什么难的 两种建模方式，传统建模适合各个方面都能考虑到，另一种只管输入和输出，黑盒操作，应用场合不同，传统建模依旧广为应用个，机器学习刚刚开始发挥他应有的能力，不能谁可以完全取代谁，要不然自动驾驶也不会总发生事故了 做过深度学习的demo，大部分时间都花在调参上面，这类工作这几年在风口上估计还能唬住人，但无非就是调整权重参数，一遍又一遍调整网络结构。
页:
[1]
2