Towards Data Science 不是一个可靠的网站，不幸的是，您引用的文字是胡说八道。

对于任何关于机器学习的优化问题，可以有数值方法或分析方法。数值问题是确定性的，这意味着它们有一个不会改变的封闭形式的解决方案。[...] 这些封闭形式的解决方案是可解析的。但这些都不是优化问题。

我希望他们的意思是“分析问题是确定性的 [...] ”等。

我不会在这里解释分析方法和数值方法之间的区别，因为有很多很好的来源，但是通过本段，我要说您阅读的帖子不是其中之一。

编辑：好的，我会解释一下

部分问题在于有很多部分重叠的术语。非常粗略地说，你有：

• 可以直接计算参数的模型：AKA 闭式解、解析或解析解，有时是代数解。
• 您必须使用迭代算法来拟合参数的模型。所有这些模型都是数字的，但是
  • 它们可能是确定性的（无随机性），例如具有固定起点的批量梯度下降，或者是随机的（随机），例如随机梯度下降。
  • 它们可能总是达到最佳值（凸优化），或者可能有陷入局部最优的风险（非凸优化）

还有很多其他方法可以将其分割，但是这些应该足够开始了！