类比于人脑的思考过程，机器学习/深度学习演算法的得到结果过程更像是理性思考还是直觉判断？

或者因演算法而异？
*得到结果的过程可以指训练后的，也可以是包含训练过程的

应该是直觉判断，理性思考有一个想问题的过程，神经网路是一大堆的结构，哪里有想法，只不过是运算而已

机器学习是直觉经验主义的，之前怎么干效果好，之后就怎么干。理性思考是知识图谱的逻辑推理

绝非理性，更象是直觉判断。其可靠性须经由实事来证明。

人脑决策过程区分理性思考和直觉判断的界限并不清晰啊!没法类比。。

机器学习通过学习数据规律，以此为依据做出判断。他能学习到数据内在的逻辑规律并判断，但对于未知知识的推理还是发展比较弱的（这块已经在进步的，如知识图谱知识推理，对抗神经网路..）。

理性和直觉判断本质上来说是一样的都是神经突触相连结传播的电信号

不同的神经构造导致了不同的思维方式

这就和不同的卷积一样

目前来说人类模拟的绝大多数神经网路都更偏向于「直觉」但也不是全部

更像是后者，人工智慧，先人工后职能。演算法得到的结果都是通过学习数据的内在规律具象出来的数据决定的结果。

感性认识是感官对外界事物的直接感受，属于低级认识，应该就是你说的直觉。

理性认识是通过后天的经验，学习，推理，假设，论证等获得的高级阶段的认识。

所以个人感觉机器学习深度学习，既不能归结为理性认识也不能归结为感性认识。因为首先模型是不断喂数据学习经验得来的，但他又不具备思考分析的能力。

理性思考还是直觉判断，大致对应于人经常说的「逻辑」和「感觉」，本质都是神经元，突触间的传递激发，有些与生俱来，而有些后天练习形成。

从这个角度说，ML/DL其实对此无感，它的insight在于更原始底层的模拟和学习。

因为ML/DL的输入是数据（不区分是所谓的「理性思考还是直觉判断」），浅层或深度学习（神经网路一脉最早叫artificial neural network，设计初衷就是模拟神经元之间的相互作用）都是在拟合这些数据，建立相关业务问题的映射关系（判别式）或建模数据本身（生成式），在good fit的前提下，这些模型结构就可以类比于人类处理同一个问题时的神经功能结构。

目前机器学习或深度学习类似人类学习过程的经验，能够很好的从数据中得到经验，但是对于需要复杂推理的问题，无法挖掘深层次的潜在逻辑，特别对于本身具有抽象概念的问题。特别缺乏人类学习中强调的活学活用，很像是一位」书呆子「。

理性思考和直觉判断，从演算法的角度如何理解和定义？

大致的，所谓理性思考就更多是一个全局搜索或者类似一个MAP估计，也可以类比成一个RL演算法中不仅构建了世界模型，而且在世界模型和问题状态空间进行充分的采样互动得到的最优路径，而所谓直觉判断就是一个heuristic或者greedy演算法或者局部极值吧。其实它们有什么本质区别么？好像也没有太多差异，就是个系统参数范围的差别而已。

直觉判断是利用我们人类祖先已训练好而遗传来的固有神经网路，理性思考是用现实数据输入在训练我们自己的神经网路。机器学习更像理性思考。