发帖
雷达卡
介绍
前段时间，我与一位来自传统背景的工程师进行了交谈。
我的意思是说，他从事同一行业（重型工程）已有30年了。
其中，他在同一家公司工作了25年（这是他的第二份工作）。
在我了解了数据科学之后，他说作为工程师，他不信任
数据科学。
我很好奇，试图了解他的意思
他阐述说，他不相信任何不是基于经验实验的东西
在他的世界中，要了解现象的行为，您需要进行物理实验以对该现象进行建模，然后才能进行预测。
这种方法的一个例子是风洞
图像来源-NASA的风洞
因此，作为在#universofofoxford教授AI /机器学习的人–我使我认为这种方法在将人们介绍给AI / ML方面具有一些优势。
特别
我们可以使用基于物理的建模来进行数学建模
通过数学建模，我们可以介绍机器学习
因此，我们可以根据他们已经知道的知识向工程师介绍机器学习和深度学习
我将在下面阐述这个想法
这种方法构成了我即将出版的书的一部分。如果您有兴趣了解更多信息，请与我联系。
什么是数学建模
数学模型根据数学构造来描述系统。
建立数学模型的过程称为数学建模。
数学模型被广泛用于自然科学，工程学和社会科学中。。
对系统进行建模后，即可通过模型解释其行为，并且我们可以对它的未来行为做出预测。
可以使用许多数学构造来实现数学模型，例如统计模型，微分方程，博弈论模型等。
模型本身可以由变量，控制变量，控制方程，假设，约束，初始条件和边界条件组成。
数学模型通常由关系和变量组成。
关系可以由诸如代数运算符，函数，微分运算符等运算符描述。
变量代表系统的某些属性。
实际模型是描述不同变量之间关系的一组函数。
模型描述了我们对世界运作方式的信念。
自史前时代以来，诸如地图和图表之类的简单模型已用于捕获系统状态。
使用数学建立模型时，数学结构会引入形式上的严格要求。
但是，任何建模，包括数学建模，都需要做出折衷。
这些妥协可能来自两个主要领域
系统范围 –系统包括我们研究的领域。现实世界中的现象通常过于复杂，无法整体建模。因此，系统的定义涉及为研究选择的特征的范围和边界条件。这取决于我们选择包含或忽略哪些因素，在构建模型时需要做出折衷。
折衷的第二个要素涉及数学和计算可行性的水平。由于模型的目的是产生结果，因此该模型必须在计算上可行。这可能会导致建模方面的一些折衷。
机器学习与数学建模之间的异同
数学建模的步骤通常包括：
根据您要学习的内容指定问题陈述（优化/预测/确定/分类/理解）。
根据变量，假设和约束为问题建立数学模型。制定方程式来关联变量
求解代表模型的方程
通过将其他注意事项和约束纳入基线模型来改进模型。
这些步骤类似于机器学习。
考虑预测球的轨迹的问题。
图像来源-流明学习
知道了轨迹的初始位置，速度和角度后，就很容易确定球在任何时间点的轨迹。
可以使用基本的高中方程通过对物理模型进行建模来解决此问题。
但是，可以通过两种方式来表达相同的问题（确定棒球的轨迹）
1）确定性方程式 ，该方程式基于我们之前所见的理论理解对问题进行建模，或者
2）通过从历史中的大量示例中学习并尝试预测其轨迹，
在两种情况下，我们都试图将问题建模为方程并求解方程。
在第一种情况下，我们将问题建模为物理/经验问题，并通过实验确定方程。
在第二种情况下，我们根据历史理解来阐述问题（过去的例子）。
如果我们对这个问题有直接的理论理解，那么数学建模方法将是最好的方法（假设方程式可以在合理的时间和成本内求解）。
但是，如果您对系统的行为没有直接的了解，则无法制定数学模型来描述它并做出准确的预测。
在后一种情况下，只要有大量结果示例，您仍然可以对系统行为进行建模。
给定足够的训练数据结果示例，您可以了解系统的基本模式-从中可以推断未来的行为。
我们在机器学习中当然很熟悉这个想法-例如，根据历史数据预测房价
结论
两种方法，即基于物理建模的数学建模方法和“从过去的观察中学习，即机器学习”，相辅相成。
在这两种情况下，您都是根据方程式来建立模型。
如果我们对问题有直接的理论理解，则数学建模方法会起作用。
但是，如果您对系统的行为没有直接的了解，则无法制定任何数学模型来描述它并做出准确的预测。
在后一种情况下，只要有大量结果示例，您仍然可以对系统行为进行建模。
给定足够的训练数据结果示例，您可以了解系统的基本模式-从中可以推断未来的行为
在两种情况下，您都需要在合理的时间和成本下求解方程式
从学习的角度来看，我们可以使用该方法向更多的工程师介绍基于他们已经知道的知识的机器学习和深度学习。
这种方法构成了我即将出版的书的一部分。如果您有兴趣了解更多信息，请与我联系。
笔记：
我交替使用基于物理的建模和数学建模。
在这种情况下，我使用的术语是说我们正在根据经验对现象进行建模
关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！
京公网安备 11010802022788号
