Estas son diferentes áreas de la ciencia, ambas utilizando las matemáticas como fondo.
La estadística resume eventos aleatorios y repetitivos, generaliza las declaraciones locales (de muestra) en una población general, aborda los fenómenos físicos con modelos matemáticos (estadísticos), predice posibles resultados, busca patrones, etc.
Se superpone parcialmente con ML en algunas áreas, como la predicción, buscando patrones (incluido el reconocimiento de objetos), pero ML generalmente no emplea el marco estadístico tradicional: en datos masivos puede no tener sentido y la muestra de ML a menudo se trata como una población completa . ML también se utiliza para clasificar objetos y reglas de inducción. Algunos de estos métodos tienen su origen en las estadísticas, como la regresión logística, LDA / QDA, SVM e IVM (importación de máquinas de vectores) y árboles CHAID.
- ¿Qué debo hacer para pasar de la bioinvestigación al aprendizaje automático de manera muy eficiente?
- ¿Las computadoras cuánticas mostrarían una aceleración para el aprendizaje automático?
- ¿Puede un fármaco ser estadísticamente efectivo para toda la población, pero estadísticamente no es efectivo para todas las subpoblaciones (como hombres y mujeres) por separado?
- ¿Debo aprender Blockchain (Ethereum) o aprendizaje automático este verano?
- En el procesamiento del lenguaje natural para realizar análisis semántico, ¿es útil y necesario generar un árbol de análisis?