به صورت کلی می‌توان به سه دلیل مهم برای فراگیری «یادگیری ماشین» با رویکرد «بهینه‌سازی» اشاره کرد:

۱. ارتباط مستقیم یادگیری ماشین با بهینه‌سازی

• • بسیاری از الگوریتم‌های یادگیری ماشین مانند انواع مدل‌های رگرسیون از جمله شبکه‌های عصبی و یادگیری عمیق و همینطور ماشین بردار پشتیبان (SVM) مستقیماً بر پایه‌ی حل مسائل بهینه‌سازی تعریف شده‌اند.

• • مفاهیمی مانند برنامه‌ریزی خطی و غیرخطی و بهینه‌یابی‌های محدودشده (Constrained Optimization) برای فهم مکانیزم‌های درونی این الگوریتم‌ها ضروری هستند.

۲. توانایی درک و توسعه‌ی مدل‌های پیچیده

• • درک بهینه‌سازی به شما اجازه می‌دهد مدل‌های سفارشی بسازید یا تنظیمات خاصی مانند تنظیم‌گرها   (Regularizers)، هایپرپارامترها، و قیود خاص (Constraints) را به صورت شخصی‌زاده‌شده در مسائل مورد نظر خود پیاده‌سازی کنید.

• • برخی الگوریتم‌های پیچیده و فراابتکاری مانند Bayesian Optimization یا روش‌های مبتنی بر الگوریتم ژنتیک و تکاملی نیز بر پایه مفاهیم بهینه‌سازی توسعه یافته‌اند.

۳. حل مسائل کاربردی‌ و شخصی‌سازی راهکارهای موجود

• بسیاری از مسائل یادگیری ماشین در دنیای واقعی، مسائل بهینه‌سازی چندهدفه هستند و معمولا از پیچیدگی بیشتری نسبت به مسائل کلاسیک بهینه‌سازی برخوردارند. برای حل چنین مسائلی فهم عمیق‌تری از الگوریتم‌های یادگیری ماشین لازم است. به عنوان نمونه می‌توان به مسائل زیر اشاره کرد:
  • • بهینه‌سازی زنجیره تأمین در کسب‌وکارها
    • برنامه‌ریزی زمان‌بندی بیمارستان‌ها در حوزه پزشکی
    • تخصیص منابع در شبکه‌های مخابراتی و سیستم‌های انرژی
  • • سیستم‌های توصیه‌گر در موتورهای جستجو و صنعت ویدئو و سرگرمی