1樓：akkaze-鄭安坤
機器學習甚至資訊理論的一系列方法都起源於統計力學和量子力學，包括但不限於最小能能量原理，最大熵原理，隨機場方法，蒙特卡洛方法，限制玻爾茲曼機，量子密碼學，量子通訊，量子機器學習。。。
物理學的學生只是缺少程式設計基礎和行業經驗罷了
2樓：某人
凝聚態理論，目前在研究神經網路擬合勢函式相關，在我個人的研究領域看來機器學習就是一種新的有潛力的擬合方法而已，不多也不少。
由於這個領域最近比較火，所以很多人會給機器學習披上一層神秘的面紗，繼而有人對其抱有不切實際的幻想。「借助機器學習，我們可以讓電腦發現之前無法發現的物理現象。」云云。
我覺得打個比方，這就好像你領著你兒子在馬路上聽瞎子拉了一段二胡，結果你兒子學會了彈鋼琴。可現實卻是，就算專門請老師教，你兒子還是沒學會彈鋼琴，而是學會了彈棉花。
我一直相信：對乙個詩人而言，如果他自己都不知道自己寫的詩是啥意思，他就永遠不要指望別人能看懂。這句話對於機器學習同樣適用。
3樓：
深度學習就是簡單建模，大量資料，然結果優化，跟物理毛關係沒有。物理，尤其是理論物理，要求搞清楚其中更深層次的規律，深度學習要求你不追究裡面的規律，使勁加網路深度，加資料，改引數，改模型，讓結果優化，這在物理裡面相當於個惟象表述。
惟象表述也是有用的，但是什麼時候能優化到你想要的程度，這個結果能不能搬運到另乙個專案上去，難說。如果要看人腦去分析，就得用模型簡化，如果不用人腦分析，就只能把一切交給計算機，然後憑信仰堅持下去。
自然界花了多少時間，多少並行系統，多少資料輸入和多少次評分才進化出了人腦。計算機堅持下去，也許也會實現的。如果要快速掙錢，在模型上做點文章不是更快？
4樓：榣山遺韻
上學期看了一些統計學習的東西，下面列一些我想到的比較類似的概念或者思想比較接近的方法
sigmod函式費公尺分布
softmax層能量到正則分布的概率密度
卷積提取特徵重正化
Markov場的規範化係數正則配分函式
Markov場的能量函式 Ising模型的能量函式Bayes場的概率分解複雜網路的處理方法
變分貝葉斯量子力學的Hartree-Fock方法，統計物理的空腔磁場法，平均場理論
基函式展開擴充套件的線性模型量子力學的利茲變分流形學習從牛頓力學到拉格朗日力學/哈密頓力學，把問題從平凡流形放到嵌入子流形，實現降維
卡爾曼濾波朗之萬動力學
粒子濾波重要取樣，非平衡統計物理的線性響應理論
5樓：
本人本科學理論物理，研究生做深度學習。
個人認為兩者做到一定程度，本質是一樣的，都是在數學理論上做文章。區別是理論物理就業市場小，對數學的要求更高。深度學習就業市場大，對工程能力的要求更高。
6樓：rr cc
剛開始學machine learning.目前感覺和統計物理有點像。MAP本質上是積分的鞍點法近似第一階，可以模擬平均場理論，fully Bayesian treatment 對應非微擾理論，這也就是為啥這樣可以計算出等效kernel, 因為這重新考慮到了兩點關聯函式，物理上優於平均場。
我在想要是考慮到資料之間的相關性，計算出的關聯長度要是發散，豈不是意味著類似於相變的現象發生？
順便狂讚第乙個答案。
7樓：
滿滿的自信和自豪啊。
不過作為物理系出身的人還是有點惴惴不安。不同的軟體陡峭度是不一樣的。「21天學python」，我一天時間就看完了到」第五天」的內容，然後「第六天」的課，我看了乙個星期（當然是斷斷續續的，也可能本人比較笨）。
機器學習說不准，關鍵是你能確定真正搞懂了嗎，而不是僅僅「前五天的內容」？
8樓：Jaykay.Z
那是乙個好的問題。
在各個計算機相關的領域中，機器學習和物理學的關係幾乎最為接近。這並不僅僅是由於很多物理學科的學生在畢業之後選擇在機器學習相關的領域工作，也是由於有很多機器學習的概念與物理學中的概念是同源的。我自己是在物理中研究量子計算和量子資訊相關理論同時也在學習機器學習的小學生，對機器學習大致有如下看法：
因為在量子物理中大量使用狄拉克符號來描述希爾伯特空間的態，所以在機器學習中也喜歡使用狄拉克符號來描述高維空間中的資料。
對機器學習中大量使用的矩陣變換感覺非常的舒服。因為本身在量子物理中也是各種玩算符。
對機器學習中各種最優化問題感覺非常的親切，因為我們在物理中也是會寫出乙個（滿足了物理中對稱性的）作用量，然後通過加入拉格朗日未定數來把流形轉化為平直空間，然後用變分法來做最優化。
因為機器學習中沒有類似物理學裡面對稱性的東西，於是感覺基本理論有點兒醜。
時常看到統計物理的影子在裡面。比如學個logistic regression就會看到Boltzmann分布，還有資訊熵什麼的。
感覺神經網路有點像ising model。
會時常想著怎麼把機器學習和物理概念做一些對映。
9樓：房志斌
本科物理學校學生，曾經立志努力學物理，後來聽說大資料方向很賺錢，而且搞過各種建模的比賽活動，覺得搞計算機演算法，人工智慧都不錯，動搖過，後來被老師提醒跨專業考研考好學校太難放棄了，滾回去繼續學物理了
10樓：如夢朝雨
感覺在電子機械方面物理，機器，電子是相結合的。個人學習的是儀器類專業，在我們這個專業裡高等物理，儀器的設計，和計算機資料綜合是都要學的比較精細的。可能我算不上專業學物理的學生，但由於個人的專業問題覺得題主說的三個方面是互利互助的。
而且就我們輔導老師的說法，我們的學長學姐畢業後不論是工作還是考研，在這三個方面都有涉足。
11樓：
最近一段時間機器學習被炒得火熱，連我們這些本來該去捯飭物理公式的人都免不了要跟一波風了(ω`)
不可否認，機器學習和大資料確實能讓物理研究的進度加快，比如對於一些需要智慧型運算和大型計算的研究來說，機器學習可以給研究者提供很大的便利。
但是在我看來，機器學習只能算是物理研究所需要的一種手段，打個比方，有一朵長在小島上的花，人站在岸邊想去摘花，但是中間隔著海沒法過去，於是人開始造船，乘著船就能去島上摘花了。這朵花就是我們所想要獲得的物理，這艘船可以看做機器學習。機器學習是研究手段而不是目的，而現在有些物理工作者光顧著造船，船有了卻忘了初衷，於是就把船賣給別人，也能賺一筆( )
結合實際，當機器學習引入物理，我們可以用它解決問題，但是我們更應該關注物理本身。這週在某大國剛剛結束的物理會議上，有相當多的物理研究者對機器學習很感興趣，表示要開始著重研究機器學習。。。我感到很方╭(°A°`)╮
對於真正的物理研究者來說，機器學習大資料對科技發展確實有貢獻，但自己應該把它當作乙個研究工具，否則有一種捨本逐末的感覺。。
而對於我這樣的蝦兵蟹將來說，我以後轉行會不會更容易了呢。。嘿嘿ヽ()
如何看待機械人的迭代速度？
li圈圈 天下武功，唯快不破，在技術與商業戰爭中更是如此。關於機械人的迭代，還得從技術與商業化兩方面綜合看待。技術迭代 仿人機械人領域，有兩大 前輩 乙個是波士頓動力研發的Atlas，產品迭代大概經歷了三個大的版本更新，最新公升級版於2016年2月24日展示 另乙個是本田Asimo，前後經歷近30年...
大學英語專業學生如何學習？
啦啦啦 美劇美劇美劇，天天看，大一的時候就要把語音語調練好 各方面的外文都要涉獵，名著啊，新聞時事啊，商務等等，但是也要有重心 如果覺得自己有語言天賦，多學幾門小語種，當然能夠學好一門小語種就很不錯了 商務英語專業新生一枚。和題主情況一樣，也覺得專業課老師講得很一般。所以我對課內不怎麼重視，老師布置...
物理師範專業大學生應該如何學習物理？
KBModification 我覺得可以從傳道開始搞規劃 傳道首先要有道，說白了你學科基本功必須紮實，再說白一點，你的高數 線代 專業課成績必須要好，這個就是檢驗你道的重要指標，它確實不是唯一標準，但是是乙個重要指標。其次是傳，學的好的東西不一定教的好。怎麼樣教課可以吸引學生注意力？怎麼樣教課可以吧...