机器学习和统计数据有什么区别？

Question

在机器学习经历一场革命的Turing lecture 2010Christopher Bishop会谈，因为被应用到机器学习算法统计...

但后来它像所有的机器学习算法都是统计算法..什么两者之间的真正区别？为什么他们在大多数大学里分开课程？

Answer 1

这两者之间没有太大的区别，主要是文化。机器学习来自计算机科学的根源，而统计则更加数学。 Brendan O'Connor在博客文章"Statistics vs. Machine Learning, fight!"中讨论了这个问题。对于机器学习的非统计方法，好几种基于规则的方法（决策树，规则归纳法，ILP），还有像强化学习这样的控制问题的方法。对我而言，那些不是感觉非常统计，但是你可以声称他们是......如果你想要的话，你大概可以声称所有的生活都属于统计决策理论（实际上，Marcus Hutter确实）。

Answer 2

统计数据基于一切概率模型。典型的分析首先假定你的数据是来自具有某种分布的随机变量的样本，然后对分布的参数进行推断。

机器学习可能使用概率模型，当它发生时，它会与统计数据重叠。但机器学习并没有如此致力于概率。它也愿意使用其他方法解决问题，而不是基于概率。

Answer 3

也许这是值得指出的是，类似的问题正在处理，并讨论了在CrossValidated

Answer 4

我可以看到一些重要的区别：

#Scope：机器学习使用统计模型，但它也使用其他模型如动态编程，强化学习，来自人工智能或优化的技术。

＃点的观点：统计通常涉及估计量的性质（无偏性，渐近行为），机器学习主要关注现实世界问题的解决方案。

＃研究领域：虽然统计学可以看作应用数学的一个子领域，但机器学习可以被看作是计算机科学的一个子领域。

#CODE开发和应用：虽然谁与统计工作的人通常有R（或SAS，STATA，EVIEWS）一prefference，谁与机器学习工作的人通常会选择的Python（或其他结构化编程语言）

Answer 5

统计学侧重于数据分析的所有方面，如描述性，探索性，推论性，预测性和因果性。但是，机器学习只关注预测建模。

Answer 6

机器学习是

• ，可以从数据中学习，而不依赖于规则为基础的编程算法。

• 计算机科学和人工智能的一个子领域，涉及构建可以从数据中学习的系统，而不是明确编程的指令。

统计模型是在数学方程的形式变量之间的关系的

• 形式化。数学

• 子区与寻找变量之间的关系，预测结果

机器学习系统交易是真正的，如果它没有被编程以执行任务的学习系统，但被编程学习执行任务。这是一个数据驱动的练习。现代机器学习不依赖于丰富的算法技术。几乎所有这种机器学习形式的应用都基于深度神经网络。这是我们现在称之为深度学习（Deep Learning）的领域，是机器学习的一门专业，常常应用于机器执行人工任务的弱人工智能应用。