为什么使用数理逻辑进行机器学习的工作相对较少？大多数研究使用（贝叶斯）统计、线性代数、数值分析等方法。然而，几乎没有使用例如相关的逻辑。
我的背景是哲学，而不是计算机科学。但考虑到逻辑是分析推理概念的业务，我很惊讶地发现机器学习和人工智能研究的其他分支并不像我想象的那样依赖数学逻辑。绘图推理或模态逻辑中的非单调逻辑呢？在我看来，主要是哲学家和一些，我敢说，在 cs 部门从事逻辑工作的老年人？
原因是实际的（更容易实施其他领域的方法）、社会学的（机器学习/人工智能是由非逻辑学家开始的）还是理论的（机器学习的大部分是关于分类和分析数据，因为这是困难的部分，以及更少的绘图推断）。
更接近一点：未来数理逻辑是否有可能对机器学习产生更大的影响？
祝一切顺利！
我认为形式逻辑没有被广泛使用的原因是它的严格性。此外，它的应用领域非常有限，并且需要首先对领域进行形式化。与此相反，ML 方法可以是模糊的、对噪声具有鲁棒性并且适用于现实生活中的数据。
这是关于该主题的有趣讨论： https ://www.quora.com/Whats-the-relationship-between-mathematical-Logic-and-Machine-Learning
我认为您的答案（或者更确切地说是您的观点）很大程度上取决于您正在查看的“机器学习”的哪一部分。这是一个广泛的领域，每种实践中的方法都不同。NLP 专家将采用与图像处理专家不同的方法，图像处理专家也将与信号处理专家不同。
此外，您是在阅读白皮书还是查看生产实施的整个案例研究。如果您只阅读白皮书什么都不做，那么是的，很容易说机器学习是“只是数学”的短视。但这就是只见树木不见森林。当您退后一步查看大规模实现时，您将多种算法组合成一个完整的解决方案，那么很明显在此过程中使用了各种形式的逻辑。
例如，让我们考虑自动驾驶汽车。没有一种算法可以运行汽车——自动驾驶是各种算法和机器学习方法的结合。您可以阅读单独的白皮书，但看不到任何逻辑，这完全是数学。但是，当您查看组件如何组合在一起以使汽车前进时，逻辑的使用就变得清晰了。