Creo que el problema aquí es que, si bien una gran cantidad de metodología estadística y teoría apuntan al aprendizaje automático, no se reconoce porque las estadísticas se consideran más como un estudio puramente inferencial que uno que está interesado en la predicción.
Esto no es cierto.
Si bien los estadísticos están muy interesados solo en la inferencia, también siempre nos ha interesado predecir. A menudo, los métodos inferenciales que podrían no ser la mejor manera de hacerlo se usaron simplemente porque los recursos computacionales requeridos no existían. Y cuando lo hicieron, algunos estadísticos que estaban en el poder (al estar a cargo del currículum y la entrada en el diario y no querer escuchar, por ejemplo, Breiman, uno de los estadísticos que dieron origen a partes de ML) no les gustó lo que vieron.
- ¿Cómo es la aplicación K-Means de maximización de expectativas en Naive Bayes?
- ¿Cuáles son algunos pequeños proyectos iniciales en aprendizaje automático de regresión lineal que un principiante puede hacer en 2-3 días?
- Cómo clasificar imágenes de texto en inglés y en otros idiomas usando SVM
- ¿Cuál es la diferencia entre validación y validación cruzada?
- Si, en el futuro, los robots / IA se vuelven comunes en los hogares, ¿cuál es el lenguaje de programación más probable en el que se escribirán?
A decir verdad, hay muchos investigadores y profesionales de ML que recibieron capacitación estadística. Yo soy uno de ellos. Personalmente, no me gusta ver OLS y la regresión logística marcada como ML, especialmente porque si ignoras las propiedades estadísticas de dichos algoritmos, puedes perder mucho.