數學模型可分為邏輯模型與非邏模型（即非線性模型），它包含了運用一切數理知識體系做出來的模型，運用非常廣泛。而演算法也是透過統計出來得出的一種模型，簡單點理解就是可以透過過去總結的經驗就可以得出一個模型，任行業只要需要電腦製作產品都離不開它，好比工廠用的smt晶片貼片機，它就是用神經網路做出來的一個模型。

數學模型包含了機器學習，機器學習其實也有邏輯思維與非邏輯思維的模型之分！機器學習也是透過大量的高精度深層次演算法設計出來的！就可以解釋為什麼現在的演算法工程師職位很吃香了。

機器學習是數學建模的自動化實現。雖然嚴格來講並非如此。機器學習演算法的目的，是為了尋找出輸入和輸出之間的數學表達關係，這種表達關係即為建模。但是機器學習的效能有限，它只能透過特定的演算法尋找特定的表達形式，不能自由地選擇表示式的組成。

所以機器學習雖然算是數學建模過程，卻和人類建模過程並不相似。另外一點，機器學習畢竟是靠資料說話的，所以可以透過複雜的網路結構，實現十分複雜的網路模型表達。這一點是人力所不能及的，光是那個引數的數量都會讓人望而生畏。

【問題解析】機器學習和數學建模是兩個不同維度的東西。不同維度一個是思維一個是方法。

首先、簡單說說這兩個的區別。

數學建模：

官方解釋：數學建模就是使用數學方法解決實際應用問題。

說人話就是：把一個實際問題抽象成一套可計算模型。這是一套方法論，要解決什麼問題？要怎麼去解決問題？解決問題的步驟是？用到哪些模型演算法？如何構建這些模型？模型構建完畢後是否合理？是否有改進區間？

機器學習：

官方解釋：是一門多領域交叉學科，涉及機率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。

說人話就是：一種實現人工智慧的方法，他是具體的方法。數學建模完畢後，你可以選擇使用機器學習去做，也可以採用其他傳統的方法。機器學習一般透過大量資料來訓練，透過各種演算法、資料中來學習如何獲得最優解。

深度學習：也是你經常聽過的名詞，透過多層神經網路來對資料進行特徵學習的演算法

到了這裡你暈了沒？暈沒暈都沒關係，馬上上硬菜。

硬菜、給你提供一套學習這一塊的案例。

我一哥們開源的，演算法大牛，語言主要是python。

案例是，GitHub上，2.3K Star的開源專案chineseocr

https://github.com/chineseocr/chineseocr

現在釋出了新版

https://github.com/chineseocr/darknet-ocr

專注於了darknet框架。

個人建議是，照著他的原始碼先部署，執行，然後去學習裡面的程式碼思想，在部署和思考的過程中進而去學習相關的東西。