1樓：
前面有人提到Viterbe，其實類似的rnn/lstm網路做輸出時候的CTC也是一樣的動態規劃。以及決策樹在模型空間中找次優用到貪心。
2樓：裴小浩
1）最小費用最大流求解展示廣告預定分配問題，和最優化方法求解線性規劃問題殊途同歸
2）離線並查集求連通分量，做使用者聚類。線上配合路徑壓縮做到毫秒級動態聚類和查詢
3） @林孟瀟 提到的 hmm中維特比的簡單dp4）還記得求乙個數的平方根的演算法嗎，其中一種演算法是牛頓迭代。最優化中各種擬牛頓法有木有
---2016-02-19更新，主要是nlp相關----5）nlp拼寫糾錯（trie樹、編輯距離）6）分詞（double array trie、ac自動機、最短路）7）CRF理論（圖論最大團、dp）
8）nlp基於規則的方法（幾乎完全涵蓋編譯原理那一套自動機理論）
3樓：林孟瀟
還是有的，比如Viterbi就是個DP啊，雖然現在用Viterbi模型已經不是很熱了，但是還是很實用的。
ACM還是在思維模式、學習能力上的開拓，同樣的能力到ML上也可以有用的。反正CS的知識都是相通的，ML現在處在發展期，還在吸收其他領域的東西，所以其他領域的知識多懂一點還是有幫助的
4樓：
我ACM高階點的什麼都不會。上Codeforces參加過一次Div.2的比賽做出來兩道題。
但是暑假自學了ML，訓練微調了乙個識別人臉性別的CNN，在教授的指導下嘗試分析feature map對應的feature（雖然最後時間問題並沒有做出乙個很漂亮的結果）。
就我的體驗來說，ML最重要的知識點在於概統以及訊號處理。ML的演算法都非常直白，而且沒有trick，都是暴力算。而ACM要用到的圖論、數論、動規這些基本上都用不到了。
用python實現一些機器學習演算法時是否需要自己寫輪子？
ProP 先調包，跑通乙個演算法知道有哪些引數，這些引數改動會有什麼影響 然後閱讀原始碼，有興趣可以手動寫一寫主要的部分，一定要梳理好資料的流程 最後可以自己嘗試的改動一下模型，不管結果好壞，也算自己的一種嘗試。最好是完全懂數學原理，模型的每個部分都能用數學解釋，這樣改動模型，優化方法就水到渠成了。...
做深度學習方面的研究，需要學習傳統機器學習 計算機視覺方面的知識嗎？如果需要，需要掌握到什麼程度？
星辰大海 再補充乙個例子，殘差收縮網路。殘差收縮網路把訊號降噪中常見的軟閾值函式，和Squeeze and excitation network結合起來，以處理雜訊較多的訊號。 周亦博 傳統機器學習是肯定需要的。因為首先要明白的就是深度學習不是萬能的，所有機器學習模型的準則就是模型的複雜度必須要和資...
深度學習是否用到數學理論？
劉杳 除了基礎的微積分 線性代數，最近又有微分方程 最優控制 optimal control 變分法介入進來 不過還沒聽說有什麼影響 簡單的講，卷積網路 CNN 可以模擬一種偏微分方程 一階時間導數，像熱方程 input layer 初始條件，feed forward 解方程，depth 時間變數，...