可能很多刚接触AI的小白都有过这样的疑问：机器学习和数理统计的本质区别是什么？不都是在玩数据吗？从传统数据分析师的角度来看，这个问题的答案很简单，无外乎以下两点：机器学习本质上是一种算法，通过数据分析来学习，不依赖于面向规则的程序设计;统计建模是一组以数据为基础，利用数学方程探索变量变化规律的标准化过程。总结一下，机器学习的关键词就是预测、监督学习和无监督学习。另一方面，数理统计是抽样、统计和假设检验的科学。这个答案看似无懈可击，但机器学习与数理统计之间的关系远非如此简单。按照数理统计大师拉里·沃瑟曼的说法，其实“这两个学科（机器学习和数理统计）关注的是同一件事，即我们可以从数据中学到什么？”根据他个人从博客中总结出来的，下面几个数理统计和机器学习中的常用术语其实是同一个意思。此外，另一位学术专家，斯坦福大学著名统计学和机器学习大师罗伯特·蒂布希拉尼（RobertTibshirani）一直称机器学习为“美化统计学”。事实上，今天，机器学习和统计技术已经成为模式识别、知识发现和数据挖掘领域的常用技术。虽然根据SAS在2014年发布的统计结果（如下图），机器学习和数理统计之间的关系是相互独立的，但实际上这两年它们之间的界限越来越模糊，甚至有相互融合的趋势。这样一来，机器学习和数理统计确实有着相同的目标：从数据中学习。他们的核心是讨论如何从数据中提取人们需要的信息或规则。但是，这两个学科在研究方法上有本质的区别。不同点首先，机器学习是一个比较新的领域，是计算机科学和人工智能的一个分支，更关心如何建立一个系统来分析数据，而不是具体的程序指令。另一方面，统计建模完全是数学的一个分支。虽然现在在廉价计算能力和海量可用数据的支持下，数据科学家已经可以训练计算机通过数据分析进行学习，即机器学习。但是统计建模的历史比机器学习要长得多，而且实际上早于计算机。undefined
