机器学习和数学建模有区别吗？
【问题解析】机器学习和数学建模是两个不同维度的东西。不同维度一个是思维一个是方法。
首先、简单说说这两个的区别。
数学建模：
官方解释：数学建模就是使用数学方法解决实际应用问题。说人话就是：把一个实际问题抽象成一套可计算模型。这是一套方法论，要解决什么问题？要怎么去解决问题？解决问题的步骤是？用到哪些模型算法？如何构建这些模型？模型构建完毕后是否合理？是否有改进区间？
机器学习：
官方解释：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。 说人话就是：一种实现人工智能的方法，他是具体的方法。数学建模完毕后，你可以选择使用机器学习去做，也可以采用其他传统的方法。机器学习一般通过大量数据来训练，通过各种算法、数据中来学习如何获得最优解。
深度学习：也是你经常听过的名词，通过多层神经网络来对数据进行特征学习的算法到了这里你晕了没？晕没晕都没关系，马上上硬菜。
硬菜、给你提供一套学习这一块的案例。
我一哥们开源的，算法大牛，语言主要是python。
案例是，GitHub上，2.3K Star的开源项目chineseocr
现在发布了新版
专注于了darknet框架。
个人建议是，照着他的源码先部署，运行，然后去学习里面的代码思想，在部署和思考的过程中进而去学习相关的东西。
谢谢，我是@顾问鑫水大师，专注回答科技相关问题！
数学模型可分为逻辑模型与非逻模型（即非线性模型），它包含了运用一切数理知识体系做出来的模型，运用非常广泛。而算法也是通过统计出来得出的一种模型，简单点理解就是可以通过过去总结的经验就可以得出一个模型，任行业只要需要电脑制作产品都离不开它，好比工厂用的smt芯片贴片机，它就是用神经网络做出来的一个模型。
数学模型包含了机器学习，机器学习其实也有逻辑思维与非逻辑思维的模型之分！机器学习也是通过大量的高精度深层次算法设计出来的！就可以解释为什么现在的算法工程师职位很吃香了。
机器学习是数学建模的自动化实现。虽然严格来讲并非如此。机器学习算法的目的，是为了寻找出输入和输出之间的数学表达关系，这种表达关系即为建模。但是机器学习的性能有限，它只能通过特定的算法寻找特定的表达形式，不能自由地选择表达式的组成。
所以机器学习虽然算是数学建模过程，却和人类建模过程并不相似。另外一点，机器学习毕竟是靠数据说话的，所以可以通过复杂的网络结构，实现十分复杂的网络模型表达。这一点是人力所不能及的，光是那个参数的数量都会让人望而生畏。
程序员需要学好数学吗？为什么？
答案是肯定的，程序员一定要学好数学。
程序设计是算法和数据结构的结合，说到底程序设计就是一个数学问题，所以对于程序员来说，有一个扎实的数学基础是非常重要的。但是，并不是说数学基础不好就不能做程序员，下面做一个简单的分析。
随着互联网的发展，目前程序员可以从大体上分为研发级程序员和应用级程序员，对于应用级程序员来说，数学知识在平时的开发过程中涉及的并不多，甚至可以说比较少。应用级程序员的主要工作集中在软件功能模块的实现上，大部分开发任务是管理系统的实现，这部分工作往往就是把各个封装好的软件功能做一个集成。很多公司往往都把大量的核心功能进行了模块化封装，比如数据存储服务、事务服务、业务逻辑服务等都有具体的封装模块，作为程序员来说，只需要按照业务流程把这些服务集成起来就可以了，所以对于数学知识的掌握程度并不会影响工作的开展。
但是，对于研发级程序员来说，数学就显得比较重要了。举例来说，目前大数据、人工智能领域是比较热门的领域，在这个领域的研发级程序员也比较集中，因为一个技术在发展和应用的早期往往都需要解决很多系统级问题，这个时候往往就需要大量的研发级程序员。在大数据和人工智能领域每天都要接触各种算法，数据收集、算法设计、验证算法、训练算法、使用算法、调参、优化等等操作都离不开数学知识，可以说如果没有一个扎实的数学基础，这些开发工作就无从做起。
所以，数学对于研发级程序员的重要程度是非常高的。如果程序员想在开发领域走的更远，一定要向研发级程序员方向走，而数学则是一个重要的基础。
另外，程序员对英语也是有一定要求的，随着开发任务的提升，英语的重要作用就会凸显出来，现在很多大型互联网公司都是业务全球化部署，内部不少开发工作的交流都是采用英语完成的。
我的研究方向是大数据和人工智能，目前也在带大数据方向的研究生，我会陆续在头条写一些关于大数据方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有软件开发方面的问题，也可以咨询我。
谢谢！
谢谢邀请。我觉得需要。理由有三点：
1.在学程序时，也会涉及到数学的一些公式。比如宏程序会用到数学中的椭圆公式等。
2.学好数学对自己思维的锻炼更有利。
3.多多学一些知识总是没有坏处的。
以上是我个人的想法。
